Transformer local-attention (NesT-B) TPS-Rechner

Offene Gewichte Google Cloud,Google Research 90.1M Parameter May 2021

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

818 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

Tesla C1080

4 GB · Q8_0 · 409 tok/s

Schnellste Karte

B200

37,605 tok/s · 180 GB

Welche GPUs können laufen Transformer local-attention (NesT-B)?

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.

818 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
37,605 tok/s 22,563–60,168 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Komfortabel
37,605 tok/s 22,563–60,168 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Komfortabel
30,029 tok/s 18,017–48,046 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Komfortabel
30,029 tok/s 18,017–48,046 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Komfortabel
24,016 tok/s 14,409–38,425 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Komfortabel
22,986 tok/s 13,792–36,778 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Komfortabel
22,986 tok/s 13,792–36,778 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Komfortabel
21,999 tok/s 13,199–35,199 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Komfortabel
19,524 tok/s 11,715–31,239 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Komfortabel
19,524 tok/s 11,715–31,239 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Komfortabel
19,524 tok/s 11,715–31,239 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Komfortabel
18,521 tok/s 11,112–29,633 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Komfortabel
15,794 tok/s 9,477–25,271 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Komfortabel
15,794 tok/s 9,477–25,271 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Komfortabel
15,794 tok/s 9,477–25,271 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Komfortabel
15,794 tok/s 9,477–25,271 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Komfortabel
15,794 tok/s 9,477–25,271 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Komfortabel
12,026 tok/s 7,216–19,242 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Komfortabel
12,026 tok/s 7,216–19,242 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Komfortabel
10,022 tok/s 6,013–16,035 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Komfortabel
9,808 tok/s 5,885–15,693 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Komfortabel
9,589 tok/s 5,754–15,343 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Komfortabel
9,589 tok/s 5,754–15,343 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Komfortabel
9,589 tok/s 5,754–15,343 · niedrige Vertrauenswürdigkeit	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Komfortabel
9,589 tok/s 5,754–15,343 · niedrige Vertrauenswürdigkeit	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: Google Cloud,Google Research
Organisationsart: Industry,Industry
Land: United States of America
Veröffentlicht: 26 May 2021
Autoren: Zizhao Zhang, Han Zhang, Long Zhao, Ting Chen, Sercan Arık, Tomas Pfister

Was es tut

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

Domain: Vision
Aufgabe: Image classification, Image generation
Ansatz: Self-supervised learning

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: 90.1M
Trainingsdaten: 1,280,000 tokens

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: 2.4 × 10¹⁹ FLOP
Wie es etabliert wurde: Operation counting

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: Open source

Wie es klassifiziert ist

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

Warum es verfolgt wird: Highly cited
Aufzeichnungsgenauigkeit: Confident
Zitationen: 5,734

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Nested Hierarchical Transformer: Towards Accurate, Data-Efficient and Interpretable Visual Understanding
Zuletzt aktualisiert: 11 February 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. Transformer local-attention (NesT-B)

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 Transformer local-attention (NesT-B)

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

Tesla C1080

Benötigter Speicher

0.8 GB

Schnellste

37,605 tok/s

Transformer local-attention (NesT-B) erreicht eine Parameteranzahl von 90.1M. 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: 818.

Die kleinste Karte, die es hält, ist Tesla C1080, mit einer MEMORY-KAPAZITÄT von 4 GB, es mit einer Kompression von Q8_0 und produziert etwa 409 Token pro Sekunde

Spitzenklasse ist B200, generieren ungefähr 37,605 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Über dieses Modell

Transformer local-attention (NesT-B) wurde veröffentlicht von Google Cloud,Google Research, im Land aufgezeichnet als United States of America, während May 2021. Es stammt aus einer Organisation, die kategorisiert ist als industry,Industry.

Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification, Image generation.

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

Wie schnell es läuft und warum

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 1,056.0 Token pro Sekunde. 818 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.

Der Speicher hier wird basierend auf der Größe geschätzt, anstatt aus der Architektur berechnet zu werden, die für dieses Modell nicht aufgezeichnet ist — die Zahlen sind eher indikativ als genau.

Wie es trainiert wurde

Das Training benötigte ein Rechenbudget von ungefähr 2.4 × 10¹⁹ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Es wurde auf einem Korpus von etwa 1,280,000 Text-Tokens

Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: highly cited.

Schritt für Schritt

Wie wählt man eine GPU für Transformer local-attention (NesT-B)

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 Transformer local-attention (NesT-B), benötigt ungefähr 0.8 GB bei einer Kompression von Q8_0. Diese Zahl, nicht die Überschriftleistung einer Karte, entscheidet darüber, ob sie läuft.
02

Entscheide, wie lange deine Gespräche laufen

Längere Gespräche kosten MEMORY zusätzlich zu dem, was die WEIGHTS benötigen. Bewege den Schieberegler auf deine tatsächliche Arbeitslänge, bevor du einer Zeile vertraust. Transformer local-attention (NesT-B).
03

Setze eine Qualitätsuntergrenze

Die Quantisierungs-Spalte variiert nach Karte, da eine größere Karte eine genauere Kopie hält., eine Kompression von Q8_0 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

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für Transformer local-attention (NesT-B). 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 37,605 tok/s
05

Lies die Spalte "fit" zuletzt

Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von Transformer local-attention (NesT-B). 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.

Jede Karten-Seite wiederholt diesen Ablauf für jedes Modell, das wir in unserem Bestand haben, und beantwortet, wofür die Hardware darüber hinaus noch gut ist. Transformer local-attention (NesT-B).

Antworten

Transformer local-attention (NesT-B) — Häufige Fragen

Transformer local-attention (NesT-B)— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 37,605 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: 818.

Transformer local-attention (NesT-B)— Wie viel VRAM benötigt es?

Es benötigt etwa 0.8 GB bei einer Kompression von Q8_0, 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.

Transformer local-attention (NesT-B)— Kann ich es auf einer GPU mitführen? 8 GB?

Ja. Die GPU-Karte CMP 170HX 8 GB, halten 8 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 0.8 GB und generieren grob 7,004 Tokens pro Sekunde. Der Fit ist komfortabel.

Transformer local-attention (NesT-B)— 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 Q8_0, verwenden von etwa 0.8 GB und generieren grob 4,289 Tokens pro Sekunde. Der Fit ist komfortabel.

Transformer local-attention (NesT-B)— 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 Q8_0, verwenden von etwa 0.8 GB und generieren grob 5,312 Tokens pro Sekunde. Der Fit ist komfortabel.

Transformer local-attention (NesT-B)— 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 0.8 GB und generieren grob 6,299 Tokens pro Sekunde. Der Fit ist komfortabel.

Transformer local-attention (NesT-B)— 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.

Transformer local-attention (NesT-B)— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 90.1M. Table A2, NesT-B is the largest size. 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.

Transformer local-attention (NesT-B)— Wer hat es erstellt?

Es wurde veröffentlicht von Google Cloud,Google Research, basiert auf United States of America, eine als kategorisierte Organisation industry,Industry.

Transformer local-attention (NesT-B)— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in May 2021. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

Transformer local-attention (NesT-B)— Wofür wird es verwendet?

Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification, Image generation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.

Transformer local-attention (NesT-B)— 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.

Transformer local-attention (NesT-B)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 2.4 × 10¹⁹ FLOP. 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.

Transformer local-attention (NesT-B)— 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. Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Transformer local-attention (NesT-B)— Würden zwei GPUs es schneller ausführen?

Die Kapazität addiert sich über Karten; der Durchsatz nicht. Die Anzahl der Karten, die es bereits eigenständig halten: 818. So eine zweite Karte ist hier selten die Antwort.

Transformer local-attention (NesT-B)— 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: 1. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

Transformer local-attention (NesT-B)— 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: 22,563–60,168 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Transformer local-attention (NesT-B)— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist Tesla C1080, mit einer MEMORY-KAPAZITÄT von 4 GB. Es führt das Modell mit einer Kompression von Q8_0 verwenden von etwa 0.8 GB, und produziert ungefähr 409 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 818.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 11 February 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