BELLE-Llama2-13B-chat-0.4M TPS-Rechner

Offene Gewichte KE Holdings Inc. (“Beike”) 13B Parameter July 2023

Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..

Für dieses Modell berechnet

295 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

GeForce GTX 1080 Ti

11 GB · Q3_K_M · 36.2 tok/s

Schnellste Karte

B200

261 tok/s · 180 GB

Welche GPUs können laufen BELLE-Llama2-13B-chat-0.4M?

Setze die Eingaben, lies die Antwort

Kontextlänge Token

Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..

Minimale Qualität

Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..

Suchkarten

Karten-VRAM

Zeige auch Karten, die es nicht ausführen können.

295 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.9 GB	Q8_0	Komfortabel
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.9 GB	Q8_0	Komfortabel
208 tok/s 125–333 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Komfortabel
208 tok/s 125–333 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Komfortabel
166 tok/s 100–266 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.9 GB	Q8_0	Komfortabel
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Komfortabel
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Komfortabel
152 tok/s 91–244 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.9 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Komfortabel
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.9 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.9 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Komfortabel
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Komfortabel
83.4 tok/s 50–133 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Komfortabel
83.4 tok/s 50–133 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Komfortabel
73.0 tok/s 62–88	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.1 GB	IQ4_XS	knapp
73.0 tok/s 62–88	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.1 GB	IQ4_XS	knapp
69.5 tok/s 42–111 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.9 GB	Q8_0	Komfortabel
68.0 tok/s 41–109 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.9 GB	Q8_0	Komfortabel
66.5 tok/s 56–80	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.9 GB	Q8_0	Komfortabel
66.5 tok/s 56–80	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	16.9 GB	Q8_0	Komfortabel

Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..

Aufgezeichnet

Volle Spezifikation

Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..

Ursprung

Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.

Organisation: KE Holdings Inc. (“Beike”)
Organisationsart: Industry
Land: China
Veröffentlicht: 27 July 2023

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain: Language
Aufgabe: Language modeling/generation
Basis-Modell: Llama 2-13B

Größe

Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.

Parameter: 13B
Trainingsdaten: tokens

Verfügbarkeit

Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.

Gewichte: Open — downloadable
Modellzugang: Open weights (non-commercial)

Wie es klassifiziert ist

Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.

Aufzeichnungsgenauigkeit: Confident

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Zuletzt aktualisiert: 28 November 2025

Die Extreme

Die zehn schnellsten GPUs, die RUN. BELLE-Llama2-13B-chat-0.4M

Sortiert nach geschätzten Tokens pro Sekunde, neueste Karte zuerst, wenn die Geschwindigkeiten gleich sind. Da die Generierung durch die Speichermenge begrenzt ist, folgt diese Reihenfolge der Bandbreite und nicht einem Gaming-Benchmark..

Die kleinsten GPUs, die immer noch laufen BELLE-Llama2-13B-chat-0.4M

Die günstigste Route herein, nach Speichergröße. Ein enger Fit läuft das Modell, lässt aber nichts für ein längeres Gespräch übrig..

Was die Zahlen bedeuten

Hardware-Anforderungen in der Praxis

Minimale Karte

GeForce GTX 1080 Ti

Benötigter Speicher

9.4 GB

Schnellste

261 tok/s

BELLE-Llama2-13B-chat-0.4M erreicht eine Parameteranzahl von 13B. Das ist klein genug, dass Hardware selten das Hindernis ist, einschließlich bei Karten, die mehrere Jahre alt sind. Die Anzahl der Karten, die wir verfolgen, die es ausführen können: 295.

Der Einstiegspunkt ist GeForce GTX 1080 Ti, mit einer MEMORY-KAPAZITÄT von 11 GB, es mit einer Kompression von Q3_K_M und produziert etwa 36.2 Token pro Sekunde

Spitzenklasse ist B200, generieren ungefähr 261 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Hintergrund

BELLE-Llama2-13B-chat-0.4M wurde veröffentlicht von KE Holdings Inc. (“Beike”), im Land aufgezeichnet als China, während July 2023. Die veröffentlichende Organisation ist als industry.

Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation.

Es basiert auf Llama 2-13B. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.

Da seine Gewichte veröffentlicht wurden, hängt nichts davon ab, es auszuführen, dass ein Anbieter verfügbar bleibt – es gehört dir, sobald es heruntergeladen ist.

Die Durchsatzwerte lesen

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 24.2 Token pro Sekunde. 258 von ihnen

Es ist ein dichtes Modell, daher wird jeder Parameter für jedes produzierte Token gelesen. Das macht die Geschwindigkeit fast genau bandbreitengebunden – eine Karte mit der doppelte Bandbreite erzeugt ungefähr doppelt so schnell.

Da die Architektur aufgezeichnet ist, wird die Speicher-Spalte abgeleitet statt geschätzt.

Schritt für Schritt

Wie wählt man eine GPU für BELLE-Llama2-13B-chat-0.4M

Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..

01

Beginnen Sie mit der Speicher-Spalte

Beginne mit dem, was es tatsächlich benötigt, nämlich der Anforderung von BELLE-Llama2-13B-chat-0.4M, benötigt ungefähr 9.4 GB bei einer Kompression von Q3_K_M. Kein Maß an Rechenleistung kompensiert eine Karte, die es nicht halten kann.
02

Passen Sie den Kontext an Ihre tatsächliche Verwendung an

Längere Gespräche kosten MEMORY zusätzlich zu dem, was die WEIGHTS benötigen. Bewege den Schieberegler auf deine tatsächliche Arbeitslänge, bevor du einer Zeile vertraust. BELLE-Llama2-13B-chat-0.4M.
03

Entscheiden Sie, wie viel Kompression Sie akzeptieren werden.

Die Quantisierungs-Spalte variiert nach Karte, da eine größere Karte eine genauere Kopie hält., eine Kompression von Q3_K_M auf der kleinsten Karte, die passt. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
04

Nach Geschwindigkeit sortieren

Das Ranking nach Tokens pro Sekunde folgt der Speicherbandbreite anstelle der Kernanzahl, für BELLE-Llama2-13B-chat-0.4M. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist. Die Karte, die die Liste anführt, ist B200, bei 261 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von BELLE-Llama2-13B-chat-0.4M. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
06

Sieh, was diese Karte noch ausführen kann.

Das Folgen einer Karte zu ihrer eigenen Seite zeigt jedes andere Modell, das sie halten kann, was die Frage ist, die folgt, sobald Sie sich festgelegt haben. BELLE-Llama2-13B-chat-0.4M.

Antworten

BELLE-Llama2-13B-chat-0.4M — Häufige Fragen

BELLE-Llama2-13B-chat-0.4M— Kann ich es auf einer GPU mitführen? 12 GB?

Ja. Die GPU-Karte GeForce RTX 3080 Ti, halten 12 GB, führt es mit einer Kompression von IQ4_XS, verwenden von etwa 10.1 GB und generieren grob 73.0 Token pro Sekunde. Der Fit ist eng.

BELLE-Llama2-13B-chat-0.4M— Kann ich es auf einer GPU mitführen? 16 GB?

Ja. Die GPU-Karte Tesla V100 SXM2 16 GB, halten 16 GB, führt es mit einer Kompression von Q6_K, verwenden von etwa 13.9 GB und generieren grob 53.5 Token pro Sekunde. Der Fit ist eng.

BELLE-Llama2-13B-chat-0.4M— Kann ich es auf einer GPU mitführen? 24 GB?

Ja. Die GPU-Karte GeForce RTX 5090 D V2, halten 24 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 16.9 GB und generieren grob 43.7 Tokens pro Sekunde. Der Fit ist komfortabel.

BELLE-Llama2-13B-chat-0.4M— Ist es Open-Source?

Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.

BELLE-Llama2-13B-chat-0.4M— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 13B. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.

BELLE-Llama2-13B-chat-0.4M— Wer hat es erstellt?

Es wurde veröffentlicht von KE Holdings Inc. (“Beike”), basiert auf China, eine als kategorisierte Organisation industry.

BELLE-Llama2-13B-chat-0.4M— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in July 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

BELLE-Llama2-13B-chat-0.4M— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.

BELLE-Llama2-13B-chat-0.4M— Wo kann ich es herunterladen?

Die Gewichte sind veröffentlicht, obwohl wir keinen Repository-Link dafür haben. Diese Seite berechnet die Hardware-Anforderungen, anstatt Modell-Dateien zu hosten.

BELLE-Llama2-13B-chat-0.4M— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Es kann zwischen der GPU-Karte und dem Systemspeicher aufgeteilt werden, aber es wird auf diese Weise schmerzhaft langsam erzeugt. Die nächste verpasste Berechnung bleibt hinter 1.9 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

BELLE-Llama2-13B-chat-0.4M— Würden zwei GPUs es schneller ausführen?

Eine zweite Karte verdoppelt grob den verfügbaren Speicher, aber nicht die Generationsrate. Die Anzahl, die bereits in der Lage ist, es allein auszuführen: 295. So eine zweite Karte ist hier selten die Antwort.

BELLE-Llama2-13B-chat-0.4M— Warum unterscheidet sich die Quantisierung zwischen Karten?

Da die Kapazität variiert, variiert auch, wie sehr sie komprimiert werden muss. Die Anzahl der unterschiedlichen Ebenen in der obigen Tabelle: 4. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

BELLE-Llama2-13B-chat-0.4M— Wie genau sind diese Geschwindigkeitsabschätzungen?

Dies sind Schätzungen mit realen Fehlerbalken, und jede von ihnen könnte vernünftigerweise irgendwo in ihrem veröffentlichten Bereich landen, abhängig davon, welches Runtime Sie verwenden. Das schnellste Ergebnis hier: 222–313 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

BELLE-Llama2-13B-chat-0.4M— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist GeForce GTX 1080 Ti, mit einer MEMORY-KAPAZITÄT von 11 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 9.4 GB, und produziert ungefähr 36.2 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 295.

BELLE-Llama2-13B-chat-0.4M— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 261 Tokens pro Sekunde; die langsamste, die es immer noch ausführt, schafft erheblich weniger. Die Lesegeschwindigkeit liegt bei etwa zehn Tokens pro Sekunde, und die Anzahl der Karten, die das bewältigen: 258.

BELLE-Llama2-13B-chat-0.4M— Wie viel VRAM benötigt es?

Es benötigt etwa 9.4 GB bei einer Kompression von Q3_K_M, welche das ist, was die kleinste Karte, die es ausführt, verwendet. Weniger Kompression braucht mehr: die Zahlen in der Spalte für den Speicher oben werden für jede Karte neu berechnet, da jede die am wenigsten komprimierte Version, die sie kann, speichert.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 28 November 2025

Die andere Richtung

Von der anderen Seite aus betrachten?

Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.

Alle KI-Modelle