EXAONE Deep 7.8B TPS-Rechner

Offene Gewichte LG AI Research 7.8B Parameter March 2025

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 · IQ4_XS · 16.3 tok/s

Schnellste Karte

B200

434 tok/s · 180 GB

Welche GPUs können laufen EXAONE Deep 7.8B?

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
434 tok/s 261–695 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.1 GB	Q8_0	Komfortabel
434 tok/s 261–695 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.1 GB	Q8_0	Komfortabel
347 tok/s 208–555 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.1 GB	Q8_0	Komfortabel
347 tok/s 208–555 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.1 GB	Q8_0	Komfortabel
277 tok/s 166–444 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.1 GB	Q8_0	Komfortabel
266 tok/s 159–425 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.1 GB	Q8_0	Komfortabel
266 tok/s 159–425 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.1 GB	Q8_0	Komfortabel
254 tok/s 152–407 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.1 GB	Q8_0	Komfortabel
226 tok/s 135–361 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Komfortabel
226 tok/s 135–361 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Komfortabel
226 tok/s 135–361 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Komfortabel
214 tok/s 128–342 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.1 GB	Q8_0	Komfortabel
182 tok/s 109–292 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Komfortabel
182 tok/s 109–292 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.1 GB	Q8_0	Komfortabel
182 tok/s 109–292 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Komfortabel
182 tok/s 109–292 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Komfortabel
182 tok/s 109–292 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Komfortabel
144 tok/s 87–231 · niedrige Vertrauenswürdigkeit	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.3 GB	Q5_K_M	knapp
139 tok/s 83–222 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.1 GB	Q8_0	Komfortabel
139 tok/s 83–222 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.1 GB	Q8_0	Komfortabel
123 tok/s 74–197 · niedrige Vertrauenswürdigkeit	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.2 GB	Q6_K	Komfortabel
116 tok/s 69–185 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.1 GB	Q8_0	Komfortabel
113 tok/s 68–181 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.1 GB	Q8_0	Komfortabel
111 tok/s 66–177 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.1 GB	Q8_0	Komfortabel
111 tok/s 66–177 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.1 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: 16 March 2025
Autoren: LG AI Research, Kyunghoon Bae, Eunbi Choi, Kibong Choi, Stanley Jungkyu Choi, Yemuk Choi, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Kijeong Jeon, Gerrard Jeongwon Jo, Hyunjik Jo, Jiyeon Jung, Hyosang Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Youchul Kim, Edward Hwayoung Lee, Haeju Lee, Honglak Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Yongmin Park, Sihoon…

Was es tut

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

Domain: Language
Aufgabe: Language modeling/generation, Question answering, Quantitative reasoning, Code generation
Basis-Modell: EXAONE 3.5 7.8B

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: 7.8B
Trainingsdaten: 12,000,000,000 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: 4.2 × 10²³ FLOP
Wie es etabliert wurde: Reported,Operation counting
Feinabstimmung Rechenleistung: 1.7 × 10²¹ FLOP

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 H100 SXM5 80GB
Cloud-Anbieter: Google Cloud

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
Hugging Face: LGAI-EXAONE

Wie es klassifiziert ist

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

Wahrscheinlich über 10²³ FLOP: Yes
Aufzeichnungsgenauigkeit: Confident

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: EXAONE Deep: LLMs with Enhanced Reasoning Performance
Zuletzt aktualisiert: 28 November 2025

Die Extreme

Die zehn schnellsten GPUs, die RUN. EXAONE Deep 7.8B

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 Deep 7.8B

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

Quadro 6000

Benötigter Speicher

5.0 GB

Schnellste

434 tok/s

EXAONE Deep 7.8B erreicht eine Parameteranzahl von 7.8B. 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.

Der Einstiegspunkt ist Quadro 6000, mit einer MEMORY-KAPAZITÄT von 6 GB, es mit einer Kompression von IQ4_XS und produziert etwa 16.3 Token pro Sekunde

Das schnellste Ergebnis kommt von B200, generieren ungefähr 434 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Was dieses Modell ist

EXAONE Deep 7.8B wurde veröffentlicht von LG AI Research, im Land aufgezeichnet als Korea (Republic of), während March 2025. Die veröffentlichende Organisation ist als industry.

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

Anstatt von Grund auf neu trainiert zu werden, ist es abgeleitet von EXAONE 3.5 7.8B. Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.

Die Gewichte sind veröffentlicht, sodass sie auf deiner eigenen Hardware unbegrenzt, offline und ohne angehängtes Konto heruntergeladen und ausgeführt werden kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. LGAI-EXAONE.

Was entscheidet die Geschwindigkeit

Über jede Karte, die es ausführen kann, liegt die Mitte der Reihe bei 24.4 Token pro Sekunde. Text schneller produzieren, als die meisten Menschen ihn lesen. 551 von ihnen

Es ist ein dichtes Modell, daher wird jeder Parameter für jedes produzierte Token gelesen. Das macht die Geschwindigkeit fast genau bandbreitengebunden – eine Karte mit der doppelte Bandbreite erzeugt ungefähr doppelt so schnell.

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.

Training und Herkunft

Der Trainingslauf verbrauchte etwa 4.2 × 10²³ FLOP, auf Hardware erfasst als NVIDIA H100 SXM5 80GB. 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 12,000,000,000 Text-Tokens

Schritt für Schritt

Wie wählt man eine GPU für EXAONE Deep 7.8B

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

Jede Karte hier wurde geprüft gegen EXAONE Deep 7.8B, benötigt ungefähr 5.0 GB bei einer Kompression von IQ4_XS. 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.

Längere Gespräche kosten MEMORY zusätzlich zu dem, was die WEIGHTS benötigen. Bewege den Schieberegler auf deine tatsächliche Arbeitslänge, bevor du einer Zeile vertraust. EXAONE Deep 7.8B.
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 IQ4_XS 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

Vergleiche TOKENS pro Sekunde, nicht Spezifikationen

Die Geschwindigkeitsreihenfolge ist effektiv eine Reihenfolge nach Speicherbandbreite, für EXAONE Deep 7.8B. 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 434 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 EXAONE Deep 7.8B. 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 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 Deep 7.8B.

Antworten

EXAONE Deep 7.8B — Häufige Fragen

EXAONE Deep 7.8B— Wofür wird es verwendet?

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

EXAONE Deep 7.8B— Wo kann ich es herunterladen?

Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation LGAI-EXAONE. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.

EXAONE Deep 7.8B— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 4.2 × 10²³ FLOP, auf Hardware erfasst als NVIDIA H100 SXM5 80GB. 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 Deep 7.8B— 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. Die nächste verpasste Berechnung bleibt hinter 0.9 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

EXAONE Deep 7.8B— Würden zwei GPUs es schneller ausführen?

Eine zweite Karte verdoppelt grob den verfügbaren Speicher, aber nicht die Generationsrate. Die Anzahl, die bereits in der Lage ist, es allein auszuführen: 582. So eine zweite Karte ist hier selten die Antwort.

EXAONE Deep 7.8B— 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.

EXAONE Deep 7.8B— 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: 261–695 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

EXAONE Deep 7.8B— 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 IQ4_XS verwenden von etwa 5.0 GB, und produziert ungefähr 16.3 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 582.

EXAONE Deep 7.8B— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 434 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: 551.

EXAONE Deep 7.8B— Wie viel VRAM benötigt es?

Es benötigt etwa 5.0 GB bei einer Kompression von IQ4_XS, 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 Deep 7.8B— 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 Q5_K_M, verwenden von etwa 6.3 GB und generieren grob 144 Token pro Sekunde. Der Fit ist eng.

EXAONE Deep 7.8B— 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 9.1 GB und generieren grob 49.5 Token pro Sekunde. Der Fit ist eng.

EXAONE Deep 7.8B— 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 9.1 GB und generieren grob 61.4 Tokens pro Sekunde. Der Fit ist komfortabel.

EXAONE Deep 7.8B— 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 9.1 GB und generieren grob 72.8 Tokens pro Sekunde. Der Fit ist komfortabel.

EXAONE Deep 7.8B— 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 Deep 7.8B— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 7.8B. 7.8B. 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 Deep 7.8B— Wer hat es erstellt?

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

EXAONE Deep 7.8B— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in March 2025.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 28 November 2025

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