EXAONE 4.5 TPS-Rechner

Offene Gewichte LG AI Research 33.2B Parameter April 2026

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

132 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

RTX A4500

20 GB · Q3_K_M · 22.0 tok/s

Schnellste Karte

B200

102 tok/s · 180 GB

Welche GPUs können laufen EXAONE 4.5?

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.

132 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
102 tok/s 61–163 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	36.2 GB	Q8_0	Komfortabel
102 tok/s 61–163 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	36.2 GB	Q8_0	Komfortabel
81.5 tok/s 49–130 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Komfortabel
81.5 tok/s 49–130 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Komfortabel
65.2 tok/s 39–104 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	36.2 GB	Q8_0	Komfortabel
62.4 tok/s 37–100 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Komfortabel
62.4 tok/s 37–100 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Komfortabel
59.7 tok/s 36–96 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	36.2 GB	Q8_0	Komfortabel
53.0 tok/s 32–85 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Komfortabel
53.0 tok/s 32–85 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Komfortabel
53.0 tok/s 32–85 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Komfortabel
50.3 tok/s 30–80 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	36.2 GB	Q8_0	Komfortabel
42.9 tok/s 26–69 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Komfortabel
42.9 tok/s 26–69 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	36.2 GB	Q8_0	Komfortabel
42.9 tok/s 26–69 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Komfortabel
42.9 tok/s 26–69 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Komfortabel
42.9 tok/s 26–69 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Komfortabel
39.5 tok/s 24–63 · niedrige Vertrauenswürdigkeit	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.8 GB	Q4_K_M	knapp
35.9 tok/s 22–57 · niedrige Vertrauenswürdigkeit	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.8 GB	Q4_K_M	knapp
34.7 tok/s 21–55 · niedrige Vertrauenswürdigkeit	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	knapp
34.7 tok/s 21–55 · niedrige Vertrauenswürdigkeit	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	knapp
33.2 tok/s 20–53 · niedrige Vertrauenswürdigkeit	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	knapp
33.2 tok/s 20–53 · niedrige Vertrauenswürdigkeit	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	knapp
32.6 tok/s 20–52 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	36.2 GB	Q8_0	Komfortabel
32.6 tok/s 20–52 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	36.2 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: LG AI Research
Organisationsart: Industry
Land: Korea (Republic of)
Veröffentlicht: 9 April 2026
Autoren: Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Changhun Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Kwangrok Ryoo, Minju Seo, Sejong Yang, Heuiyeen Yeen, Hwan Chang, Stanley Jungkyu Choi, Yejin Choi, Kyubeen Han, Joonwon Jang, Kijeong Jeon, Geun…

Was es tut

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

Domain: Language, Multimodal
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: 33.2B
Trainingsdaten: 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: 3.9 × 10²⁴ FLOP

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 (restricted use)

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: Training cost
Aufzeichnungsgenauigkeit: Confident

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: EXAONE 4.5 Technical Report
Zuletzt aktualisiert: 24 June 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. EXAONE 4.5

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 EXAONE 4.5

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

RTX A4500

Benötigter Speicher

16.9 GB

Schnellste

102 tok/s

EXAONE 4.5 erreicht eine Parameteranzahl von 33.2B. Das landet im Bereich, den eine ernsthafte Desktop-KARTE bewältigen kann, sobald die GEWICHTE komprimiert sind. Die Anzahl der KARTE, die wir verfolgen, die es ausführen kann: 132.

Am unteren Ende wird es von RTX A4500, mit einer MEMORY-KAPAZITÄT von 20 GB, es mit einer Kompression von Q3_K_M und produziert etwa 22.0 Token pro Sekunde

Am anderen Ende sitzt B200, generieren ungefähr 102 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Hintergrund

EXAONE 4.5 wurde veröffentlicht von LG AI Research, im Land aufgezeichnet als Korea (Republic of), während April 2026. Die Kategorie, in die der Herausgeber fällt, ist industry.

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

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.

Die Durchsatzwerte lesen

Die Hälfte der CARDS, die es halten, schaffen mehr als 20.2 Tokens pro Sekunde. Überschreitung der Lesegeschwindigkeit direkt: 101 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.

Die interne Architektur ist nicht in unserer Datenbank, daher wird der Speicher basierend auf der Anzahl der Parameter approximiert und entsprechend gekennzeichnet. Erwarten Sie, dass die tatsächliche Zahl abweicht, insbesondere bei langen Kontexten.

Training und Herkunft

Das Training benötigte ein Rechenbudget von ungefähr 3.9 × 10²⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.

Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: training cost.

Schritt für Schritt

Wie wählt man eine GPU für EXAONE 4.5

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 EXAONE 4.5, benötigt ungefähr 16.9 GB bei einer Kompression von Q3_K_M. 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. EXAONE 4.5.
03

Setze eine Qualitätsuntergrenze

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 Geschwindigkeit sortieren

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für EXAONE 4.5. 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 102 tok/s
05

Überprüfen Sie das Passurteil, bevor Sie kaufen.

Die Passform-Spalte trennt Karten, die es gerade so schaffen, von denen mit ausreichend Platz, im Falle von EXAONE 4.5. 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 Karten-Seite wiederholt diesen Ablauf für jedes Modell, das wir in unserem Bestand haben, und beantwortet, wofür die Hardware darüber hinaus noch gut ist. EXAONE 4.5.

Antworten

EXAONE 4.5 — Häufige Fragen

EXAONE 4.5— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in April 2026.

EXAONE 4.5— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, Multimodal, und wird als Bewältigung der Aufgabe von language modeling/generation, Question answering. 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.

EXAONE 4.5— 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.

EXAONE 4.5— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 3.9 × 10²⁴ 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.

EXAONE 4.5— 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 6.4 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

EXAONE 4.5— 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: 132. So eine zweite Karte ist hier selten die Antwort.

EXAONE 4.5— 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: 5. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

EXAONE 4.5— Wie genau sind diese Geschwindigkeitsabschätzungen?

Sie werden aus Spezifikationen berechnet, anstatt gemessen zu werden, und jede hat einen Bereich. Ein Beispiel: 61–163 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

EXAONE 4.5— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist RTX A4500, mit einer MEMORY-KAPAZITÄT von 20 GB. Es führt das Modell mit einer Kompression von Q3_K_M verwenden von etwa 16.9 GB, und produziert ungefähr 22.0 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 132.

EXAONE 4.5— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 102 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: 101.

EXAONE 4.5— Wie viel VRAM benötigt es?

Es benötigt etwa 16.9 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.

EXAONE 4.5— 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 Q4_K_M, verwenden von etwa 20.8 GB und generieren grob 39.5 Token pro Sekunde. Der Fit ist eng.

EXAONE 4.5— 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.

EXAONE 4.5— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 33.2B. "Architecturally, EXAONE 4.5 integrates a 1.2B parameter vision encoder into the robust EXAONE 4.0 32B base model,". 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.

EXAONE 4.5— Wer hat es erstellt?

Es wurde veröffentlicht von LG AI Research, basiert auf Korea (Republic of), eine als kategorisierte Organisation industry.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 24 June 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