LLaMA-65B TPS-Rechner

Offene Gewichte Meta AI 65.2B Parameter February 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

61 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

A100 PCIe 40 GB

40 GB · Q3_K_M · 27.3 tok/s

Schnellste Karte

B200

52.0 tok/s · 180 GB

Welche GPUs können laufen LLaMA-65B?

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.

61 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
52.0 tok/s 44–62	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	71.4 GB	Q8_0	Komfortabel
52.0 tok/s 44–62	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	71.4 GB	Q8_0	Komfortabel
41.5 tok/s 25–66 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	71.4 GB	Q8_0	Komfortabel
41.5 tok/s 25–66 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	71.4 GB	Q8_0	Komfortabel
33.2 tok/s 20–53 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	71.4 GB	Q8_0	Komfortabel
31.8 tok/s 27–38	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	71.4 GB	Q8_0	Komfortabel
31.8 tok/s 27–38	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	71.4 GB	Q8_0	Komfortabel
30.4 tok/s 18–49 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	71.4 GB	Q8_0	Komfortabel
28.0 tok/s 24–34	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.1 GB	Q4_K_M	knapp
27.3 tok/s 23–33	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.5 GB	Q3_K_M	knapp
27.3 tok/s 23–33	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.5 GB	Q3_K_M	knapp
27.3 tok/s 23–33	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.5 GB	Q3_K_M	knapp
27.0 tok/s 16–43 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Komfortabel
27.0 tok/s 16–43 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Komfortabel
27.0 tok/s 16–43 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Komfortabel
25.6 tok/s 22–31	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	71.4 GB	Q8_0	knapp
21.8 tok/s 19–26	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	Komfortabel
21.8 tok/s 19–26	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	71.4 GB	Q8_0	knapp
21.8 tok/s 19–26	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	knapp
21.8 tok/s 19–26	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	Komfortabel
21.8 tok/s 19–26	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	knapp
20.1 tok/s 17–24	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	41.1 GB	Q4_K_M	knapp
19.1 tok/s 16–23	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	56.3 GB	Q6_K	knapp
16.6 tok/s 10–27 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	71.4 GB	Q8_0	Komfortabel
16.6 tok/s 10–27 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	71.4 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: Meta AI
Organisationsart: Industry
Land: United States of America
Veröffentlicht: 24 February 2023
Autoren: Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, Guillaume Lample

Was es tut

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

Domain: Language
Aufgabe: Language modeling, Code generation
Ansatz: Supervised

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: 65.2B
Trainingsdaten: 1,400,000,000,000 tokens
Epochen: 1.09
Batch-Größe: 4,000,000

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: 5.5 × 10²³ 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: NVIDIA A100
Verwendete Chips: 2,048
Chip-Stunden: 1,024,000
Wand-Uhrzeit: 500 hours (20.8 days)
Hardware-Auslastung: MFU 47.5%
Stromverbrauch: 1.6 MW
Rechenkosten: $578,026

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)
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.

Grundmodell: Yes
Wahrscheinlich über 10²³ FLOP: Yes
Warum es verfolgt wird: Historical significance,Highly cited
Aufzeichnungsgenauigkeit: Confident
Zitationen: 19,926
Benchmark-Daten: LLaMA-65B

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: LLaMA: Open and Efficient Foundation Language Models
Zuletzt aktualisiert: 25 May 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. LLaMA-65B

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 LLaMA-65B

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

A100 PCIe 40 GB

Benötigter Speicher

33.5 GB

Schnellste

52.0 tok/s

LLaMA-65B erreicht eine Parameteranzahl von 65.2B. Das platziert es über Consumer-Hardware, in den Bereich, wo eine Karte für diesen Zweck gekauft wird, anstatt dafür umfunktioniert zu werden. Die Anzahl der Karten, die wir verfolgen, die es halten können: 61.

Der Einstiegspunkt ist A100 PCIe 40 GB, mit einer MEMORY-KAPAZITÄT von 40 GB, es mit einer Kompression von Q3_K_M und produziert etwa 27.3 Token pro Sekunde

Das schnellste Ergebnis kommt von B200, generieren ungefähr 52.0 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Was dieses Modell ist

LLaMA-65B wurde veröffentlicht von Meta AI, im Land aufgezeichnet als United States of America, während February 2023. Es stammt aus einer Organisation, die kategorisiert ist als industry.

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

Die Gewichte sind veröffentlicht, sodass sie auf deiner eigenen Hardware unbegrenzt, offline und ohne angehängtes Konto heruntergeladen und ausgeführt werden kann.

Was entscheidet die Geschwindigkeit

Das mediane Ergebnis liegt bei etwa 13.3 Token pro Sekunde. Text schneller produzieren, als die meisten Menschen ihn lesen. 56 von ihnen

Da es dicht ist, liest es sich selbst pro Token, weshalb die Anordnung nach Geschwindigkeit unten so eng der Anordnung nach Speicherbandbreite folgt.

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

Was in den Aufbau geflossen ist

Das Training benötigte ein Rechenbudget von ungefähr 5.5 × 10²³ FLOP, auf Hardware erfasst als NVIDIA A100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Training verbrauchte ein Korpus von etwa 1,400,000,000,000 Text-Tokens

Das Einschlusskriterium: historical significance,Highly cited.

Schritt für Schritt

Wie wählt man eine GPU für LLaMA-65B

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 LLaMA-65B, benötigt ungefähr 33.5 GB bei einer Kompression von Q3_K_M. Die Kapazität ist das Tor — eine Karte hält es entweder oder sie tut es nicht.
02

Setzen Sie die CONTEXT LENGTH, an der Sie arbeiten werden.

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. LLaMA-65B.
03

Wähle, wie weit du es komprimieren möchtest.

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 LLaMA-65B. 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 52.0 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Ein enger Sitz läuft, lässt jedoch nichts für ein längeres Gespräch übrig, im Falle von LLaMA-65B. 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. LLaMA-65B.

Antworten

LLaMA-65B — Häufige Fragen

LLaMA-65B— Würden zwei GPUs es schneller ausführen?

Die Kapazität addiert sich über Karten; der Durchsatz nicht. Die Anzahl der Karten, die es bereits eigenständig halten: 61. So eine zweite Karte ist hier selten die Antwort.

LLaMA-65B— 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.

LLaMA-65B— Wie genau sind diese Geschwindigkeitsabschätzungen?

Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: 44–62 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

LLaMA-65B— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist A100 PCIe 40 GB, mit einer MEMORY-KAPAZITÄT von 40 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 33.5 GB, und produziert ungefähr 27.3 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 61.

LLaMA-65B— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 52.0 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: 56.

LLaMA-65B— Wie viel VRAM benötigt es?

Es benötigt etwa 33.5 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.

LLaMA-65B— 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.

LLaMA-65B— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 65.2B. Model card, table 1: https://github.com/facebookresearch/llama/blob/53011c3d7946dadb8274a4c5c7586ab54edf792d/MODEL_CARD.md. 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.

LLaMA-65B— Wer hat es erstellt?

Es wurde veröffentlicht von Meta AI, basiert auf United States of America, eine als kategorisierte Organisation industry.

LLaMA-65B— Wann wurde es veröffentlicht?

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

LLaMA-65B— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling, Code generation. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.

LLaMA-65B— 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.

LLaMA-65B— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 5.5 × 10²³ FLOP, auf Hardware erfasst als NVIDIA A100. 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.

LLaMA-65B— 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 12.3 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 25 May 2026

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