Generative BST TPS-Rechner

Offene Gewichte Facebook AI Research 9.4B Parameter March 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

582 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

Quadro 6000

6 GB · Q3_K_M · 14.8 tok/s

Schnellste Karte

B200

359 tok/s · 180 GB

Welche GPUs können laufen Generative BST?

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.

582 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
359 tok/s 216–575 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	10.8 GB	Q8_0	Komfortabel
359 tok/s 216–575 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	10.8 GB	Q8_0	Komfortabel
287 tok/s 172–459 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	10.8 GB	Q8_0	Komfortabel
287 tok/s 172–459 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	10.8 GB	Q8_0	Komfortabel
229 tok/s 138–367 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	10.8 GB	Q8_0	Komfortabel
220 tok/s 132–351 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.8 GB	Q8_0	Komfortabel
220 tok/s 132–351 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.8 GB	Q8_0	Komfortabel
210 tok/s 126–336 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	10.8 GB	Q8_0	Komfortabel
187 tok/s 112–298 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Komfortabel
187 tok/s 112–298 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Komfortabel
187 tok/s 112–298 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Komfortabel
177 tok/s 106–283 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	10.8 GB	Q8_0	Komfortabel
154 tok/s 93–247 · niedrige Vertrauenswürdigkeit	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.4 GB	Q4_K_M	knapp
151 tok/s 91–241 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Komfortabel
151 tok/s 91–241 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	10.8 GB	Q8_0	Komfortabel
151 tok/s 91–241 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Komfortabel
151 tok/s 91–241 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Komfortabel
151 tok/s 91–241 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Komfortabel
115 tok/s 69–184 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	10.8 GB	Q8_0	Komfortabel
115 tok/s 69–184 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	10.8 GB	Q8_0	Komfortabel
102 tok/s 61–163 · niedrige Vertrauenswürdigkeit	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q6_K	knapp
95.7 tok/s 57–153 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	10.8 GB	Q8_0	Komfortabel
93.7 tok/s 56–150 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	10.8 GB	Q8_0	Komfortabel
91.6 tok/s 55–147 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	10.8 GB	Q8_0	Komfortabel
91.6 tok/s 55–147 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	10.8 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: Facebook AI Research
Organisationsart: Industry
Land: United States of America, France
Veröffentlicht: 5 March 2021
Autoren: Stephen Roller, Emily Dinan, Naman Goyal, Da Ju, Mary Williamson, Yinhan Liu, Jing Xu, Myle Ott, Kurt Shuster, Eric M. Smith, Y-Lan Boureau, Jason Weston

Was es tut

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

Domain: Language
Aufgabe: Language modeling/generation, Chat, Question answering
Numerisches Format: FP16

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: 9.4B
Trainingsdaten: 56,800,000,000 tokens
Epochen: 1.76

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: 1.4 × 10²² 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: SOTA improvement
Aufzeichnungsgenauigkeit: Confident
Zitationen: 1,123

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Recipes for building an open-domain chatbot
Zuletzt aktualisiert: 25 May 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. Generative BST

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 Generative BST

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

Was die Zahlen bedeuten

Die Hardware-Seite

Minimale Karte

Quadro 6000

Benötigter Speicher

5.3 GB

Schnellste

359 tok/s

Generative BST erreicht eine Parameteranzahl von 9.4B. 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: 582.

Am unteren Ende wird es von Quadro 6000, mit einer MEMORY-KAPAZITÄT von 6 GB, es mit einer Kompression von Q3_K_M und produziert etwa 14.8 Token pro Sekunde

Das schnellste Ergebnis kommt von B200, generieren ungefähr 359 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Hintergrund

Generative BST wurde veröffentlicht von Facebook AI Research, im Land aufgezeichnet als United States of America, während March 2021. Die veröffentlichende Organisation ist als industry.

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

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 22.6 Token pro Sekunde. 543 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.

Ohne das Attention-Layout in der Datei ist die Speicher-Spalte eine Annäherung. Sie ist nah genug, um Hardware auszuwählen, und am wenigsten zuverlässig bei langem CONTEXT.

Wie es trainiert wurde

Das Training benötigte ein Rechenbudget von ungefähr 1.4 × 10²² FLOP. 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 56,800,000,000 Text-Tokens

Das Einschlusskriterium: sOTA improvement.

Schritt für Schritt

Wie wählt man eine GPU für Generative BST

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

Überprüfen Sie, was es benötigt, bevor alles andere.

Beginne mit dem, was es tatsächlich benötigt, nämlich der Anforderung von Generative BST, benötigt ungefähr 5.3 GB bei einer Kompression von Q3_K_M. 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. Generative BST.
03

Wähle, wie weit du es komprimieren möchtest.

Kompression ist das, was ein Modell auf kleinere GPU-Karten passt, mit einem gewissen Verlust an Genauigkeit., 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 Durchsatz und nicht nach Spezifikationen sortieren

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für Generative BST. 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 359 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 Generative BST. 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 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. Generative BST.

Antworten

Generative BST — Häufige Fragen

Generative BST— 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 10.8 GB und generieren grob 50.7 Tokens pro Sekunde. Der Fit ist komfortabel.

Generative BST— 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 10.8 GB und generieren grob 60.2 Tokens pro Sekunde. Der Fit ist komfortabel.

Generative BST— 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.

Generative BST— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 9.4B. The largest model is a transformer with 9.4B parameters (Table 2). 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.

Generative BST— Wer hat es erstellt?

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

Generative BST— Wann wurde es veröffentlicht?

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

Generative BST— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Chat, Question answering. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.

Generative BST— 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.

Generative BST— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 1.4 × 10²² 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.

Generative BST— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Teilweise. Schichten, die nicht passen, verbleiben im System-Speicher und laufen mit einem Bruchteil der Geschwindigkeit, sodass ein überwiegend ausgelagerter Modell selten von Nutzen ist. Die nächste verpasste Berechnung bleibt hinter 1.9 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Generative BST— Würden zwei GPUs es schneller ausführen?

Die Kapazität addiert sich über Karten; der Durchsatz nicht. Die Anzahl der Karten, die es bereits eigenständig halten: 582. So eine zweite Karte ist hier selten die Antwort.

Generative BST— 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.

Generative BST— 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: 216–575 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Generative BST— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist Quadro 6000, mit einer MEMORY-KAPAZITÄT von 6 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 5.3 GB, und produziert ungefähr 14.8 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 582.

Generative BST— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 359 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: 543.

Generative BST— Wie viel VRAM benötigt es?

Es benötigt etwa 5.3 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.

Generative BST— 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 Q4_K_M, verwenden von etwa 6.4 GB und generieren grob 154 Token pro Sekunde. Der Fit ist eng.

Generative BST— 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 10.8 GB und generieren grob 41.0 Token pro Sekunde. Der Fit ist eng.

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