InternVL2-Llama3-76B Υπολογιστής TPS

Ανοιχτά βάρη Shanghai AI Lab 76B 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

58 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

Quadro RTX 8000

48 GB · IQ4_XS · 9.2 tok/s

Ταχύτερη κάρτα

B200

44.6 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν InternVL2-Llama3-76B?

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

58 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
44.6 tok/s 27–71 · χαμηλή εμπιστοσύνη	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	82.1 GB	Q8_0	Άνετο
44.6 tok/s 27–71 · χαμηλή εμπιστοσύνη	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	82.1 GB	Q8_0	Άνετο
35.6 tok/s 21–57 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Άνετο
35.6 tok/s 21–57 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Άνετο
28.5 tok/s 17–46 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	82.1 GB	Q8_0	Άνετο
27.3 tok/s 16–44 · χαμηλή εμπιστοσύνη	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Άνετο
27.3 tok/s 16–44 · χαμηλή εμπιστοσύνη	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Άνετο
27.2 tok/s 16–44 · χαμηλή εμπιστοσύνη	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	64.4 GB	Q6_K	Στενά
27.2 tok/s 16–44 · χαμηλή εμπιστοσύνη	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	64.4 GB	Q6_K	Στενά
26.1 tok/s 16–42 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	82.1 GB	Q8_0	Άνετο
25.6 tok/s 15–41 · χαμηλή εμπιστοσύνη	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	42.3 GB	IQ4_XS	Στενά
23.2 tok/s 14–37 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Άνετο
23.2 tok/s 14–37 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Άνετο
23.2 tok/s 14–37 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Άνετο
22.0 tok/s 13–35 · χαμηλή εμπιστοσύνη	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	82.1 GB	Q8_0	Στενά
20.1 tok/s 12–32 · χαμηλή εμπιστοσύνη	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	55.5 GB	Q5_K_M	Στενά
18.7 tok/s 11–30 · χαμηλή εμπιστοσύνη	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Στενά
18.7 tok/s 11–30 · χαμηλή εμπιστοσύνη	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Στενά
18.7 tok/s 11–30 · χαμηλή εμπιστοσύνη	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Στενά
18.3 tok/s 11–29 · χαμηλή εμπιστοσύνη	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	42.3 GB	IQ4_XS	Στενά
16.5 tok/s 10–26 · χαμηλή εμπιστοσύνη	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	64.4 GB	Q6_K	Στενά
16.5 tok/s 10–26 · χαμηλή εμπιστοσύνη	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	64.4 GB	Q6_K	Στενά
16.5 tok/s 10–26 · χαμηλή εμπιστοσύνη	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	64.4 GB	Q6_K	Στενά
16.5 tok/s 10–26 · χαμηλή εμπιστοσύνη	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	64.4 GB	Q6_K	Στενά
16.5 tok/s 10–26 · χαμηλή εμπιστοσύνη	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	64.4 GB	Q6_K	Στενά

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: Shanghai AI Lab
Τύπος οργανισμού: Academia
Χώρα: China
Δημοσιευμένο: 15 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, Vision, Video
Εργασία: Visual question answering, Language modeling/generation, Question answering, Video description
Βασικό μοντέλο: Hermes 2 Theta Llama-3 70B,InternViT-6B

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: 76B
Δεδομένα εκπαίδευσης: tokens

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: Open source
Αγκαλιάζοντας το Πρόσωπο: OpenGVLab

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: OpenGVLab/InternVL2-Llama3-76B
Τελευταία ενημέρωση: 28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν InternVL2-Llama3-76B

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 InternVL2-Llama3-76B

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

Τι χρειάζεσαι για να το τρέξεις

Ελάχιστη κάρτα

Quadro RTX 8000

Μνήμη που απαιτείται

42.3 GB

Ταχύτερος

44.6 tok/s

InternVL2-Llama3-76B φτάνει σε αριθμό παραμέτρων του 76B. Αυτό το τοποθετεί πάνω από το καταναλωτικό υλικό, στην κατηγορία όπου μια ΚΑΡΤΑ αγοράζεται για αυτόν τον σκοπό αντί να επαναχρησιμοποιηθεί γι' αυτό. Ο αριθμός των ΚΑΡΤΩΝ που παρακολουθούμε που μπορούν να το διατηρήσουν: 58.

Ο ελάχιστος εξοπλισμός που λειτουργεί είναι Quadro RTX 8000, με χωρητικότητα μνήμης 48 GB, τρέχοντας το σε μια συμπίεση του IQ4_XS και παράγοντας περίπου 9.2 tokens ανά δευτερόλεπτο

Η ταχύτερη έκβαση προέρχεται από B200, γεννά προσεγγιστικά 44.6 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Τι είναι αυτό το μοντέλο

InternVL2-Llama3-76B δημοσιεύθηκε από Shanghai AI Lab, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια July 2024. Προέρχεται από έναν οργανισμό που κατατάσσεται ως academia.

Λειτουργεί στον τομέα της Multimodal, Language, Vision, Video, και καταγράφεται ότι εκτελεί την εργασία του visual question answering, Language modeling/generation, Question answering, Video description.

Αντί να εκπαιδευτεί από την αρχή, προέρχεται από Hermes 2 Theta Llama-3 70B,InternViT-6B. Γι' αυτό μοιράζεται τη γενική μορφή και μέγεθος του βασικού μοντέλου.

Τα βάρη είναι δημοσιευμένα, έτσι ώστε να μπορούν να κατεβούν και να τρέξουν στον δικό σας υπολογιστή επ' αόριστον, εκτός σύνδεσης, χωρίς λογαριασμό συνδεδεμένο. Στο Hugging Face δημοσιεύεται υπό την οργάνωση OpenGVLab.

Τι αποφασίζει την ταχύτητα

Η διάμεση τιμή είναι γύρω από 14.3 δεδομένα ανά δευτερόλεπτο 43 τους

Επειδή είναι πυκνό, διαβάζει όλα τα στοιχεία του ανά τοκέν, γι' αυτό και η ταξινόμηση κατά ταχύτητα παρακάτω ακολουθεί τόσο στενά την ταξινόμηση κατά μνήμης πλάτους.

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 InternVL2-Llama3-76B

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

Αρχίστε από τη στήλη μνήμης

Ο πίνακας παραθέτει κάθε κάρτα που μπορεί να κρατήσει InternVL2-Llama3-76B, χρειάζεστε γύρω 42.3 GB σε συμπίεση ενός IQ4_XS. Αυτή η τιμή, όχι η κύρια απόδοση μιας κάρτας, είναι αυτή που αποφασίζει αν θα τρέξει.
02

Αποφασίστε πόσο πολύ διαρκούν οι συνομιλίες σας

Η συζήτηση καταναλώνει μνήμη επίσης, και μεγαλώνει καθώς προχωρά. Ρυθμίστε τον διακόπτη στο μήκος που αναμένετε, γιατί σε μεγάλο context μια κάρτα που χειρίζεται εύκολα σύντομες ερωτήσεις μπορεί να απορριφθεί από InternVL2-Llama3-76B.
03

Επίλεξε πόσο μακριά θα το συμπιέσεις

Κάθε κάρτα εκτελεί την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει, φτάνοντας σε μια συμπίεση του IQ4_XS 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

Σύγκριση TPS, όχι προδιαγραφές

Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για InternVL2-Llama3-76B. 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 44.6 τοκ/σ.
05

Κοίτα τον χώρο, όχι μόνο την εφαρμογή

Μια σφιχτή εφαρμογή τρέχει, αλλά δεν αφήνει τίποτα ελεύθερο για μια μεγαλύτερη συζήτηση, στην περίπτωση του InternVL2-Llama3-76B. 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 InternVL2-Llama3-76B.

Απαντήσεις

InternVL2-Llama3-76B — κοινές ερωτήσεις

InternVL2-Llama3-76B— 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: 58. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

InternVL2-Llama3-76B— 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: 4. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

InternVL2-Llama3-76B— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Κάθε νούμερο προκύπτει από το εύρος ζώνης μνήμης και το μέγεθος του μοντέλου, χωρίς να έχουν αξιολογηθεί, γι' αυτό και κάθε ένα δημοσιεύεται ως εύρος αντί για έναν μόνο αριθμό. Ένα παράδειγμα: 27–71 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.

InternVL2-Llama3-76B— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι Quadro RTX 8000, με χωρητικότητα μνήμης 48 GB. Τρέχει το μοντέλο σε συμπίεση της IQ4_XS χρησιμοποιώντας περίπου 42.3 GB, και παράγει περίπου 9.2 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 58.

InternVL2-Llama3-76B— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 44.6 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: 43.

InternVL2-Llama3-76B— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 42.3 GB σε συμπίεση IQ4_XS, 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.

InternVL2-Llama3-76B— 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.

InternVL2-Llama3-76B— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 76B. 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.

InternVL2-Llama3-76B— ποιος το δημιούργησε;

Δημοσιεύθηκε από Shanghai AI Lab, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως academia.

InternVL2-Llama3-76B— 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.

InternVL2-Llama3-76B— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Multimodal, Language, Vision, Video, και καταγράφεται ως διαχείριση της εργασίας του visual question answering, Language modeling/generation, Question answering, Video description. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.

InternVL2-Llama3-76B— πού μπορώ να το κατεβάσω;

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

InternVL2-Llama3-76B— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;

Μερικώς. Οι στρώσεις που δεν χωρούν βρίσκονται στη μνήμη του συστήματος και λειτουργούν με κλάσμα της ταχύτητας, οπότε ένα μοντέλο που είναι κυρίως εκφορτωμένο σπάνια αξίζει να χρησιμοποιηθεί. Η πλησιέστερη αποτυχία που υπολογίζουμε υπολείπεται κατά 10.7 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

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