LLaVA-NeXT-32B-Qwen Υπολογιστής TPS

Ανοιχτά βάρη LMMs-Lab 32B παράμετροι July 2024

Κάθε κάρτα παρακάτω αξιολογείται σύμφωνα με αυτό το μοντέλο στη διάρκεια συμφραζομένων και την ελάχιστη ποιότητα που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το εύρος ζώνης μνήμης της κάρτας και το μέγεθος του μοντέλου μόλις συμπιεστεί..

Υπολογίστηκε για αυτό το μοντέλο

132 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

RTX A4500

20 GB · Q3_K_M · 22.9 tok/s

Ταχύτερη κάρτα

B200

106 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν LLaVA-NeXT-32B-Qwen?

Ορίστε τις εισόδους, διαβάστε την απάντηση

Μήκος συμφραζομένων μουσικά κομμάτια

Μια μεγαλύτερη συζήτηση χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να απομακρύνει αυτό το μοντέλο από μικρότερες κάρτες..

Ελάχιστη ποιότητα

Κρύβει κάρτες που θα χωρούσαν μόνο το μοντέλο συμπιέζοντας το κάτω από αυτό το σημείο.

Αναζήτηση καρτών

Μνήμη κάρτας

Επίσης δείξτε κάρτες που δεν μπορούν να το τρέξουν

132 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
106 tok/s 64–169 · χαμηλή εμπιστοσύνη	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	35.0 GB	Q8_0	Άνετο
106 tok/s 64–169 · χαμηλή εμπιστοσύνη	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	35.0 GB	Q8_0	Άνετο
84.6 tok/s 51–135 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	35.0 GB	Q8_0	Άνετο
84.6 tok/s 51–135 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	35.0 GB	Q8_0	Άνετο
67.6 tok/s 41–108 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	35.0 GB	Q8_0	Άνετο
64.7 tok/s 39–104 · χαμηλή εμπιστοσύνη	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.0 GB	Q8_0	Άνετο
64.7 tok/s 39–104 · χαμηλή εμπιστοσύνη	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.0 GB	Q8_0	Άνετο
61.9 tok/s 37–99 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	35.0 GB	Q8_0	Άνετο
55.0 tok/s 33–88 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Άνετο
55.0 tok/s 33–88 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Άνετο
55.0 tok/s 33–88 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Άνετο
52.2 tok/s 31–83 · χαμηλή εμπιστοσύνη	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	35.0 GB	Q8_0	Άνετο
44.5 tok/s 27–71 · χαμηλή εμπιστοσύνη	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Άνετο
44.5 tok/s 27–71 · χαμηλή εμπιστοσύνη	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	35.0 GB	Q8_0	Άνετο
44.5 tok/s 27–71 · χαμηλή εμπιστοσύνη	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Άνετο
44.5 tok/s 27–71 · χαμηλή εμπιστοσύνη	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Άνετο
44.5 tok/s 27–71 · χαμηλή εμπιστοσύνη	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Άνετο
40.9 tok/s 25–66 · χαμηλή εμπιστοσύνη	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.1 GB	Q4_K_M	Στενά
37.3 tok/s 22–60 · χαμηλή εμπιστοσύνη	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.1 GB	Q4_K_M	Στενά
36.0 tok/s 22–58 · χαμηλή εμπιστοσύνη	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	Q6_K	Στενά
36.0 tok/s 22–58 · χαμηλή εμπιστοσύνη	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	Q6_K	Στενά
34.4 tok/s 21–55 · χαμηλή εμπιστοσύνη	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	Q6_K	Στενά
34.4 tok/s 21–55 · χαμηλή εμπιστοσύνη	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	Q6_K	Στενά
33.9 tok/s 20–54 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	35.0 GB	Q8_0	Άνετο
33.9 tok/s 20–54 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	35.0 GB	Q8_0	Άνετο

Οι ταχύτητες είναι εκτιμήσεις για ένα μόνο αίτημα — μία συνομιλία τη φορά — υπολογισμένες από την μνήμη, το μέγεθος του μοντέλου και την ποσοτικοποίηση. Η πραγματική διακύμανση έξοδου ποικίλλει με τον χρόνο εκτέλεσης συμπερασμάτων και την έκδοσή του. Οι αριθμοί που δημοσιεύονται από τους προμηθευτές υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..

Σε καταγραφή

Πλήρης προδιαγραφή

Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..

Προέλευση

Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.

Οργάνωση: LMMs-Lab
Τύπος οργανισμού: Research collective
Δημοσιευμένο: 16 July 2024

Τι κάνει

Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.

τομέας: Multimodal, Language
Εργασία: Chat, Language modeling/generation, Visual question answering, Image captioning
Βασικό μοντέλο: Qwen1.5-32B

Μέγεθος

Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.

παράμετροι: 32B
Δεδομένα εκπαίδευσης: tokens

Εκπαίδευση υπολογιστών

Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.

Πώς ιδρύθηκε: Hardware
Ρύθμιση υπολογιστών: 7.5 × 10²⁰ FLOP

Η εκπαίδευση run

Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.

Υλικό εκπαίδευσης: NVIDIA A100 SXM4 80 GB
χρησιμοποιούμενα τσιπ: 64
Χρόνος τοίχου: 35 hours
Κατανάλωση ενέργειας: 50.5 kW

Διαθεσιμότητα

Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.

Βάρη: Open — downloadable
Πρόσβαση μοντέλου: Open weights (restricted use)
Κωδικός εκπαίδευσης: Unreleased
Αγκαλιάζοντας το Πρόσωπο: lmms-lab

Πώς ταξινομείται

Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.

Εγγραφή εμπιστοσύνης: Confident

Πηγές

Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.

Αναφορά: Github: lmms-lab/llava-next-qwen-32b
Τελευταία ενημέρωση: 28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν LLaVA-NeXT-32B-Qwen

Καταταγμένο κατά εκτιμώμενα tokens ανά δευτερόλεπτο, η νέα κάρτα πρώτα όπου οι ταχύτητες ισοφαρίζουν. Επειδή η γενιά εξαρτάται από την μνήμη μπάδνγουθ, αυτή η ταξινόμηση ακολουθεί την μπάδνγουθ παρά οποιοδήποτε benchmark παιχνιδιού..

Οι μικρότερες GPUs που ακόμη λειτουργούν LLaVA-NeXT-32B-Qwen

Η φθηνότερη διαδρομή, κατά χωρητικότητα μνήμης. Μια σφιχτή εφαρμογή τρέχει το μοντέλο αλλά δεν αφήνει τίποτα επιπλέον για μια μεγαλύτερη συνομιλία..

Τι σημαίνουν οι αριθμοί

Η υλική πλευρά

Ελάχιστη κάρτα

RTX A4500

Μνήμη που απαιτείται

16.3 GB

Ταχύτερος

106 tok/s

LLaVA-NeXT-32B-Qwen φτάνει σε αριθμό παραμέτρων του 32B. Αυτό προσγειώνεται στο εύρος που μπορεί να χειριστεί μια σοβαρή επιτραπέζια κάρτα μόλις τα βάρη συμπιεστούν. Ο αριθμός των καρτών που παρακολουθούμε που μπορούν να το εκτελέσουν: 132.

Στο χαμηλό άκρο καταφέρνει να διαχειρίζεται RTX A4500, με χωρητικότητα μνήμης 20 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 22.9 tokens ανά δευτερόλεπτο

Στην άλλη άκρη κάθεται B200, γεννά προσεγγιστικά 106 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Υπόβαθρο

LLaVA-NeXT-32B-Qwen δημοσιεύθηκε από LMMs-Lab, κατά τη διάρκεια July 2024. Ο εκδοτικός οργανισμός κατηγοριοποιείται ως research collective.

Λειτουργεί στον τομέα της Multimodal, Language, και καταγράφεται ότι εκτελεί την εργασία του chat, Language modeling/generation, Visual question answering, Image captioning.

Το σημείο εκκίνησής του ήταν ένα υπάρχον μοντέλο βάσης, Qwen1.5-32B. Οι περισσότεροι μοντέλα σε αυτή την κλίμακα προσαρμόζονται από μια υπάρχουσα βάση παρά κατασκευάζονται από το μηδέν.

Τα ανοιχτά βάρη είναι αυτά που τοποθετούν αυτή τη σελίδα στον υπολογιστή αντί να είναι μόνο στον κατάλογο: είναι ένα μοντέλο που μπορείς να κρατήσεις πραγματικά. Στο Hugging Face δημοσιεύεται υπό την οργάνωση lmms-lab.

Διαβάζοντας τα νούμερα απόδοσης

Η διάμεση τιμή είναι γύρω από 20.7 δεδομένα ανά δευτερόλεπτο 103 τους

Είναι ένα πυκνό μοντέλο, οπότε κάθε παράμετρος διαβάζεται για κάθε τοκέτο που παράγεται. Αυτό καθιστά την ταχύτητα να παρακολουθεί σχεδόν ακριβώς τη μνήμη μπάκανθ — μια κάρτα με διπλάσια μπάκανθ παράγει περίπου διπλάσια γρήγορα.

Η εσωτερική του αρχιτεκτονική δεν είναι καταχωρημένη, οπότε η μνήμη προσεγγίζεται από τον αριθμό παραμέτρων και σημειώνεται αναλόγως. Αναμένετε η πραγματική τιμή να διαφέρει, περισσότερο σε μεγάλο πλαίσιο.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για LLaVA-NeXT-32B-Qwen

Ο πίνακας παραπάνω έχει ήδη αξιολογήσει κάθε κάρτα για την οποία έχουμε προδιαγραφές σε σχέση με αυτό το μοντέλο. Η εύρεση της απάντησής σας απαιτεί έξι βήματα.

01

Έλεγξε τι χρειάζεται πριν από οτιδήποτε άλλο

Ο πίνακας παραθέτει κάθε κάρτα που μπορεί να κρατήσει LLaVA-NeXT-32B-Qwen, χρειάζεστε γύρω 16.3 GB σε συμπίεση ενός Q3_K_M. Καμία ποσότητα επεξεργαστικής ισχύος δεν μπορεί να αντισταθμίσει μια κάρτα που δεν μπορεί να την κρατήσει.
02

Αποφασίστε πόσο πολύ διαρκούν οι συνομιλίες σας

Ρυθμίστε το πλαίσιο σε αυτό που θα χρησιμοποιήσετε πραγματικά. Η μνήμη αυξάνεται με την συνομιλία, και είναι ο συνηθισμένος λόγος που μια κάρτα που φαινόταν εντάξει σταματά να ταιριάζει. LLaVA-NeXT-32B-Qwen.
03

Αποφασίστε πόση συμπίεση θα αποδεχθείτε

Η στήλη ποσοτικοποίησης διαφέρει ανά κάρτα, διότι μια μεγαλύτερη κάρτα κρατά μια πιο ακριβή αντιγραφή., φτάνοντας σε μια συμπίεση του Q3_K_M στην μικρότερη κάρτα που χωρά. Η ρύθμιση μιας ελάχιστης ποιότητας απορρίπτει τις κάρτες που το διαχειρίζονται μόνο σφίγγοντας περισσότερο από αυτό που θα θέλατε, και διατηρεί τη σύγκριση σε ένα επίπεδο.
04

Ταξινόμηση κατά ταχύτητα

Η κατάταξη κατά τους αριθμούς ανά δευτερόλεπτο ακολουθεί την εύρος μνήμης αντί για τον αριθμό πυρήνων, για LLaVA-NeXT-32B-Qwen. Δεν θα ταιριάξει σε μια παραγγελία παιχνιδιών, επειδή η γενιά περιορίζεται από το memory bandwidth. Η κάρτα που είναι στην κορυφή της λίστας είναι B200, σε 106 τοκ/σ.
05

Διαβάστε την τελευταίο στήλη εφαρμογής

Το "Tight" σημαίνει ότι φορτώνει και λειτουργεί χωρίς περιθώριο να αυξηθεί το context αργότερα, στην περίπτωση του LLaVA-NeXT-32B-Qwen. Άνετο σημαίνει ότι μπορείτε να επεκτείνετε το context αργότερα. Αυτή η διαφορά έχει μεγαλύτερη σημασία από μερικά tokens ανά δευτερόλεπτο, οπότε αγοράστε για άνετο αν το περιμένετε.
06

Δες τι άλλο τρέχει αυτή η κάρτα

Κάθε όνομα κάρτας συνδέεται με τη δική της σελίδα, η οποία εκτελεί την ίδια υπολογιστική διαδικασία σε όλο τον κατάλογο μοντέλων. Μια κάρτα συνήθως αγοράζεται για περισσότερα από ένα μοντέλο, οπότε αξίζει να ρίξετε μια ματιά πριν από την αγορά για LLaVA-NeXT-32B-Qwen.

Απαντήσεις

LLaVA-NeXT-32B-Qwen — κοινές ερωτήσεις

LLaVA-NeXT-32B-Qwen— είναι ανοιχτού κώδικα;

Οι βάσεις του είναι δημοσιευμένες, οπότε μπορεί να κατέβει και να τρέξει σε δικό σας υλικό. Σημειώστε ότι τα open weights δεν είναι το ίδιο με το open source με την πλήρη έννοια — δεν λέει τίποτα για τα δεδομένα εκπαίδευσης, τον κώδικα εκπαίδευσης ή τους εμπορικούς όρους που συσχετίζονται.

LLaVA-NeXT-32B-Qwen— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 32B. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.

LLaVA-NeXT-32B-Qwen— ποιος το δημιούργησε;

Δημοσιεύθηκε από LMMs-Lab, μία οργάνωση κατηγοριοποιημένη ως research collective.

LLaVA-NeXT-32B-Qwen— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε July 2024. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

LLaVA-NeXT-32B-Qwen— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Multimodal, Language, και καταγράφεται ως διαχείριση της εργασίας του chat, Language modeling/generation, Visual question answering, Image captioning. Ένα ΜΟΝΤΕΛ μπορεί να φέρει πολλά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε παρά περιορισμός σε ό,τι θα προσπαθήσει.

LLaVA-NeXT-32B-Qwen— πού μπορώ να το κατεβάσω;

Τα βάρη του είναι δημοσιευμένα στο Hugging Face, υπό την οργάνωση lmms-lab. Δεν φιλοξενούμε αρχεία μοντέλων — αυτός ο ιστότοπος υπολογίζει ποιο υλικό απαιτείται για να τα εκτελέσετε.

LLaVA-NeXT-32B-Qwen— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;

Μόνο μέσω της εκφόρτωσης, η οποία είναι συνήθως μια ψευδής οικονομία: το μέρος που κρατιέται στη μνήμη του συστήματος τραβάει όλο το πράγμα κάτω. Η πλησιέστερη αποτυχία που υπολογίζουμε υπολείπεται κατά 5.7 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

LLaVA-NeXT-32B-Qwen— θα τρέξουν δύο GPU πιο γρήγορα;

Μια δεύτερη ΚΑΡΤΑ περίπου διπλασιάζει τη διαθέσιμη ΜΝΗΜΗ αλλά όχι το ρυθμό παραγωγής. Ο αριθμός που είναι ήδη ικανός να το τρέξει μόνος του: 132. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

LLaVA-NeXT-32B-Qwen— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;

Κάθε κάρτα εμφανίζεται τρέχοντας την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει. Ο αριθμός των διακριτών επιπέδων συμπίεσης στις κάρτες που ταιριάζουν σε αυτήν: 5. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

LLaVA-NeXT-32B-Qwen— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Αυτές είναι εκτιμήσεις με πραγματικά περιθώρια σφάλματος, και οποιαδήποτε από αυτές θα μπορούσε λογικά να βρεθεί οπουδήποτε εντός της δημοσιευμένης περιοχής της, ανάλογα με το ποιο τρέξιμο χρησιμοποιείτε. Το ταχύτερο αποτέλεσμα εδώ: 64–169 tok/s στον B200. Το ίδιο μοντέλο και κάρτα διαφέρουν κατά τριάντα έως πενήντα τοις εκατό ανάλογα με το λογισμικό συμπερασμού και την έκδοσή του.

LLaVA-NeXT-32B-Qwen— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι RTX A4500, με χωρητικότητα μνήμης 20 GB. Τρέχει το μοντέλο σε συμπίεση της Q3_K_M χρησιμοποιώντας περίπου 16.3 GB, και παράγει περίπου 22.9 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 132.

LLaVA-NeXT-32B-Qwen— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 106 tokens ανά δευτερόλεπτο; ο πιο αργός που εξακολουθεί να τρέχει διαχειρίζεται σημαντικά λιγότερα. Η ταχύτητα ανάγνωσης είναι γύρω από δέκα tokens ανά δευτερόλεπτο, και ο αριθμός των καρτών που καθαρίζουν αυτό: 103.

LLaVA-NeXT-32B-Qwen— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 16.3 GB σε συμπίεση Q3_K_M, ποια είναι η μικρότερη κάρτα που το τρέχει. Λιγότερη συμπίεση χρειάζεται περισσότερα: οι αριθμοί στη στήλη μνήμης παραπάνω υπολογίζονται ξανά για κάθε κάρτα, επειδή κάθε μία κρατά την λιγότερο συμπιεσμένη έκδοση που μπορεί.

LLaVA-NeXT-32B-Qwen— μπορώ να το τρέξω σε μια GPU holding 24 GB?

Ναι. Η GPU GeForce RTX 5090 D V2, κρατώντας 24 ΓΒ, το τρέχει με συμπίεση από Q4_K_M, χρησιμοποιώντας περίπου 20.1 GB και παράγοντας περίπου 40.9 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 28 November 2025

Η άλλη κατεύθυνση

Κοιτάζοντας το από την άλλη πλευρά;

Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.

Όλα τα μοντέλα AI