OpenLLaMA-13B TPS-Rechner

Offene Gewichte OpenLM Research 13B Parameter May 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

306 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

P102-101

10 GB · IQ4_XS · 21.8 tok/s

Schnellste Karte

B200

261 tok/s · 180 GB

Welche GPUs können laufen OpenLLaMA-13B?

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.

306 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	15.4 GB	Q8_0	Komfortabel
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	15.4 GB	Q8_0	Komfortabel
208 tok/s 125–333 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	15.4 GB	Q8_0	Komfortabel
208 tok/s 125–333 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	15.4 GB	Q8_0	Komfortabel
166 tok/s 100–266 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	15.4 GB	Q8_0	Komfortabel
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.4 GB	Q8_0	Komfortabel
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.4 GB	Q8_0	Komfortabel
152 tok/s 91–244 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	15.4 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Komfortabel
135 tok/s 81–217 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	15.4 GB	Q8_0	Komfortabel
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	15.4 GB	Q8_0	Komfortabel
125 tok/s 106–150	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	IQ4_XS	knapp
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	15.4 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Komfortabel
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Komfortabel
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	15.4 GB	Q8_0	Komfortabel
83.4 tok/s 50–133 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	15.4 GB	Q8_0	Komfortabel
83.4 tok/s 50–133 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	15.4 GB	Q8_0	Komfortabel
69.5 tok/s 42–111 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	15.4 GB	Q8_0	Komfortabel
68.6 tok/s 58–82	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.3 GB	Q4_K_M	knapp
68.6 tok/s 58–82	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.3 GB	Q4_K_M	knapp
68.0 tok/s 41–109 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	15.4 GB	Q8_0	Komfortabel
66.5 tok/s 56–80	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	15.4 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: OpenLM Research
Organisationsart: Research collective
Land: United States of America
Veröffentlicht: 1 May 2023
Autoren: Xinyang Geng, Hao Liu

Was es tut

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

Domain: Language
Aufgabe: Language modeling/generation, Question answering

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: 1,000,000,000,000 tokens
Epochen: 1

Training-Compute

Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.

Training-Compute: 7.8 × 10²² FLOP
Wie es etabliert wurde: Operation counting

Der Trainingslauf

Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.

Trainingshardware: Google TPU v4

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 (unrestricted)
Training-Code: Unreleased

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.

Referenz: OpenLLaMA: An Open Reproduction of LLaMA
Zuletzt aktualisiert: 28 November 2025

Die Extreme

Die zehn schnellsten GPUs, die RUN. OpenLLaMA-13B

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 OpenLLaMA-13B

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

Was die Zahlen bedeuten

Was es braucht, um dieses Modell auszuführen

Minimale Karte

P102-101

Benötigter Speicher

8.6 GB

Schnellste

261 tok/s

OpenLLaMA-13B 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: 306.

Die kleinste Karte, die es hält, ist P102-101, mit einer MEMORY-KAPAZITÄT von 10 GB, es mit einer Kompression von IQ4_XS und produziert etwa 21.8 Token pro Sekunde

Das schnellste Ergebnis kommt von B200, generieren ungefähr 261 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Hintergrund

OpenLLaMA-13B wurde veröffentlicht von OpenLM Research, im Land aufgezeichnet als United States of America, während May 2023. Es stammt aus einer Organisation, die kategorisiert ist als research collective.

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

Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht.

Die Durchsatzwerte lesen

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 24.3 Token pro Sekunde. 269 von ihnen

Jedes Gewicht beteiligt sich hier an jedem Token, daher ist die Bandbreite die gesamte Geschichte: Das Ranking unten ist effektiv ein Ranking des Speicher-Durchsatzes.

Das Attention-Layout ist in unserer Datenbank, sodass die Speicherstatistiken genau berechnet werden, anstatt geschätzt zu werden.

Training und Herkunft

Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 7.8 × 10²² FLOP, auf Hardware erfasst als Google TPU v4. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Der Trainingssatz lief auf etwa 1,000,000,000,000 Text-Tokens

Schritt für Schritt

Wie wählt man eine GPU für OpenLLaMA-13B

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

Lese zuerst die MEMORY-Zahl

Jede Karte hier wurde geprüft gegen OpenLLaMA-13B, benötigt ungefähr 8.6 GB bei einer Kompression von IQ4_XS. Kein Maß an Rechenleistung kompensiert eine Karte, die es nicht halten kann.
02

Entscheide, wie lange deine Gespräche laufen

Das Gespräch belegt ebenfalls Speicher und wächst, während es fortschreitet. Stellen Sie den Regler auf die Länge ein, die Sie erwarten, denn bei langem CONTEXT kann eine KARTE, die kurze Fragen mühelos verarbeitet, entfernt werden. OpenLLaMA-13B.
03

Wähle, wie weit du es komprimieren möchtest.

Jede Karte läuft die am wenigsten komprimierte Kopie, die sie halten kann., eine Kompression von IQ4_XS 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 Durchsatz und nicht nach Spezifikationen sortieren

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für OpenLLaMA-13B. 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

Überprüfen Sie das Passurteil, bevor Sie kaufen.

Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von OpenLLaMA-13B. 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

Überprüfen Sie die Karte von der anderen Seite

Jede Karte verlinkt auf ihre eigene Seite, die dieselbe Berechnung über den gesamten Modellkatalog ausführt. Eine Karte wird normalerweise für mehr als ein Modell gekauft, daher lohnt sich ein Blick, bevor man kauft. OpenLLaMA-13B.

Antworten

OpenLLaMA-13B — Häufige Fragen

OpenLLaMA-13B— Würden zwei GPUs es schneller ausführen?

Zwei Karten kaufen Speicher statt Geschwindigkeit, was nur wichtig ist, wenn eine Karte es nicht halten kann. Die Anzahl, die es kann: 306. So eine zweite Karte ist hier selten die Antwort.

OpenLLaMA-13B— Warum unterscheidet sich die Quantisierung zwischen Karten?

Jede Karte wird mit der am wenigsten komprimierten Kopie angezeigt, die sie halten kann. Die Anzahl der verschiedenen Komprimierungsstufen über die Karten, die sie passen: 4. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

OpenLLaMA-13B— Wie genau sind diese Geschwindigkeitsabschätzungen?

Sie werden aus Spezifikationen berechnet, anstatt gemessen zu werden, und jede hat einen Bereich. Ein Beispiel: 222–313 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

OpenLLaMA-13B— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist P102-101, mit einer MEMORY-KAPAZITÄT von 10 GB. Es führt das Modell mit einer Kompression von IQ4_XS verwenden von etwa 8.6 GB, und produziert ungefähr 21.8 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 306.

OpenLLaMA-13B— 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: 269.

OpenLLaMA-13B— Wie viel VRAM benötigt es?

Es benötigt etwa 8.6 GB bei einer Kompression von IQ4_XS, 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.

OpenLLaMA-13B— 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 Q4_K_M, verwenden von etwa 9.3 GB und generieren grob 68.6 Token pro Sekunde. Der Fit ist eng.

OpenLLaMA-13B— 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 12.3 GB und generieren grob 53.5 Token pro Sekunde. Der Fit ist eng.

OpenLLaMA-13B— 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 15.4 GB und generieren grob 43.7 Tokens pro Sekunde. Der Fit ist komfortabel.

OpenLLaMA-13B— 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.

OpenLLaMA-13B— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 13B. 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.

OpenLLaMA-13B— Wer hat es erstellt?

Es wurde veröffentlicht von OpenLM Research, basiert auf United States of America, eine als kategorisierte Organisation research collective.

OpenLLaMA-13B— Wann wurde es veröffentlicht?

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

OpenLLaMA-13B— Wofür wird es verwendet?

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

OpenLLaMA-13B— 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.

OpenLLaMA-13B— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 7.8 × 10²² FLOP, auf Hardware erfasst als Google TPU v4. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.

OpenLLaMA-13B— 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 2.1 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

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