Selfish-RNN (SNT-ASGD) Stacked LSTMs TPS-Rechner

Offene Gewichte Eindhoven University of Technology,University of Twente 25.2M Parameter January 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 · 1,463 tok/s

Schnellste Karte

B200

134,454 tok/s · 180 GB

Welche GPUs können laufen Selfish-RNN (SNT-ASGD) Stacked LSTMs?

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
134,454 tok/s 80,672–215,126 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Komfortabel
134,454 tok/s 80,672–215,126 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Komfortabel
107,365 tok/s 64,419–171,784 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Komfortabel
107,365 tok/s 64,419–171,784 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Komfortabel
85,866 tok/s 51,519–137,385 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Komfortabel
82,185 tok/s 49,311–131,496 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Komfortabel
82,185 tok/s 49,311–131,496 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Komfortabel
78,655 tok/s 47,193–125,849 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Komfortabel
69,807 tok/s 41,884–111,691 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Komfortabel
69,807 tok/s 41,884–111,691 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Komfortabel
69,807 tok/s 41,884–111,691 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Komfortabel
66,218 tok/s 39,731–105,950 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Komfortabel
56,471 tok/s 33,882–90,353 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Komfortabel
56,471 tok/s 33,882–90,353 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Komfortabel
56,471 tok/s 33,882–90,353 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Komfortabel
56,471 tok/s 33,882–90,353 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Komfortabel
56,471 tok/s 33,882–90,353 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Komfortabel
42,998 tok/s 25,799–68,797 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Komfortabel
42,998 tok/s 25,799–68,797 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Komfortabel
35,832 tok/s 21,499–57,331 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Komfortabel
35,067 tok/s 21,040–56,108 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Komfortabel
34,286 tok/s 20,571–54,857 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Komfortabel
34,286 tok/s 20,571–54,857 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Komfortabel
34,286 tok/s 20,571–54,857 · niedrige Vertrauenswürdigkeit	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Komfortabel
34,286 tok/s 20,571–54,857 · niedrige Vertrauenswürdigkeit	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Eindhoven University of Technology,University of Twente
Organisationsart: Academia,Academia
Land: Netherlands
Veröffentlicht: 22 January 2021
Autoren: Shiwei Liu, Decebal Constantin Mocanu, Yulong Pei, Mykola Pechenizkiy

Was es tut

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

Domain: Language
Aufgabe: Language modeling

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: 25.2M
Trainingsdaten: 912,344 tokens
Epochen: 100

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: 1.2 × 10¹⁶ FLOP
Wie es etabliert wurde: Reported,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 (non-commercial)
Training-Code: Open (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
Zitationen: 43
Benchmark-Daten: Selfish-RNN (SNT-ASGD) Stacked LSTMs

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Selfish Sparse RNN Training
Zuletzt aktualisiert: 11 February 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs

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

0.7 GB

Schnellste

134,454 tok/s

Selfish-RNN (SNT-ASGD) Stacked LSTMs erreicht eine Parameteranzahl von 25.2M. 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 1,463 Token pro Sekunde

Spitzenklasse ist B200, generieren ungefähr 134,454 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Woher es kam

Selfish-RNN (SNT-ASGD) Stacked LSTMs wurde veröffentlicht von Eindhoven University of Technology,University of Twente, im Land aufgezeichnet als Netherlands, während January 2021. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia.

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

Das Offen-Wiegen ist es, was diese Seite in den Rechner anstatt nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann.

Verstehen der Geschwindigkeiten

Die Hälfte der CARDS, die es halten, schaffen mehr als 3,775.5 Tokens pro Sekunde. Überschreitung der Lesegeschwindigkeit direkt: 818 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.

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

Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.2 × 10¹⁶ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Der Trainingssatz lief auf etwa 912,344 Text-Tokens

Schritt für Schritt

Wie wählt man eine GPU für Selfish-RNN (SNT-ASGD) Stacked LSTMs

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.

Die Tabelle listet jede Karte auf, die in der Lage ist, zu halten Selfish-RNN (SNT-ASGD) Stacked LSTMs, benötigt ungefähr 0.7 GB bei einer Kompression von Q8_0. Die Kapazität ist das Tor — eine Karte hält es entweder oder sie tut es nicht.
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. Selfish-RNN (SNT-ASGD) Stacked LSTMs.
03

Entscheiden Sie, wie viel Kompression Sie akzeptieren werden.

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

Das Ranking nach Tokens pro Sekunde folgt der Speicherbandbreite anstelle der Kernanzahl, für Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 134,454 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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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

Öffnen Sie die Karte, die Sie ausgewählt haben

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. Selfish-RNN (SNT-ASGD) Stacked LSTMs.

Antworten

Selfish-RNN (SNT-ASGD) Stacked LSTMs — Häufige Fragen

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB, und produziert ungefähr 1,463 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 134,454 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wie viel VRAM benötigt es?

Es benötigt etwa 0.7 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB und generieren grob 25,042 Tokens pro Sekunde. Der Fit ist komfortabel.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB und generieren grob 15,334 Tokens pro Sekunde. Der Fit ist komfortabel.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB und generieren grob 18,992 Tokens pro Sekunde. Der Fit ist komfortabel.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB und generieren grob 22,521 Tokens pro Sekunde. Der Fit ist komfortabel.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 25.2M. 25.2M (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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wer hat es erstellt?

Es wurde veröffentlicht von Eindhoven University of Technology,University of Twente, basiert auf Netherlands, eine als kategorisierte Organisation academia,Academia.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wann wurde es veröffentlicht?

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

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wofür wird es verwendet?

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

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 1.2 × 10¹⁶ 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Nur durch Abladen, was normalerweise eine falsche Wirtschaftlichkeit ist: der Teil, der im System-Speicher gehalten wird, zieht das Ganze nach unten. Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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: 80,672–215,126 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

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