Nemotron-4 340B Υπολογιστής TPS
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
818 κάρτες που κρατάμε προδιαγραφές για
Η μικρότερη κάρτα που χωράει
Radeon Instinct MI300X
192 GB · Q3_K_M · 14.0 tok/s
Ταχύτερη κάρτα
B300
17.8 tok/s · 288 GB
Ποιες GPU μπορούν να τρέξουν Nemotron-4 340B?
Ορίστε τις εισόδους, διαβάστε την απάντηση
Μια μεγαλύτερη συζήτηση χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να απομακρύνει αυτό το μοντέλο από μικρότερες κάρτες..
Κρύβει κάρτες που θα χωρούσαν μόνο το μοντέλο συμπιέζοντας το κάτω από αυτό το σημείο.
6 οι κάρτες ταιριάζουν
Υπολογισμός| Χρειάζεται | Ποσοτικοποίηση | Καλά | |||||
|---|---|---|---|---|---|---|---|
|
17.8
tok/s
11–28 · χαμηλή εμπιστοσύνη |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 246.0 GB | Q5_K_M | Στενά |
|
14.2
tok/s
9–23 · χαμηλή εμπιστοσύνη |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 246.0 GB | Q5_K_M | Στενά |
|
14.2
tok/s
9–23 · χαμηλή εμπιστοσύνη |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 246.0 GB | Q5_K_M | Στενά |
|
14.0
tok/s
8–22 · χαμηλή εμπιστοσύνη |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 166.8 GB | Q3_K_M | Στενά |
|
14.0
tok/s
8–22 · χαμηλή εμπιστοσύνη |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 166.8 GB | Q3_K_M | Στενά |
|
13.5
tok/s
8–22 · χαμηλή εμπιστοσύνη |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 206.4 GB | Q4_K_M | 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
- NVIDIA
- Τύπος οργανισμού
- Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 14 June 2024
- Συγγραφείς
- Bo Adler, Niket Agarwal, Ashwath Aithal, Dong H. Anh, Pallab Bhattacharya, Annika Brundyn, Jared Casper, Bryan Catanzaro, Sharon Clay, Jonathan Cohen, Sirshak Das, Ayush Dattagupta, Olivier Delalleau, Leon Derczynski, Yi Dong, Daniel Egert, Ellie Evans, Aleksander Ficek, Denys Fridman, Shaona Ghosh, Boris Ginsburg, Igor Gitman, Tomasz Grzegorzek, Robert Hero, Jining Huang, Vibhu Jawa, Joseph Jenni…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Language
- Εργασία
- Language modeling/generation, Chat, Question answering
- Αριθμητική μορφή
- BF16
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
- 340B
- Δεδομένα εκπαίδευσης
- 9,000,000,000,000 tokens
- Μέγεθος παρτίδας
- 9,437,184
340B
9T training tokens. They first train on an 8T token dataset and then an additional 1T tokens, it's slightly unclear if that's more data or a partial second epoch 6.75T words using 1 token = 0.75 words
2304 * 4096
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.
- Εκπαίδευση υπολογιστών
- 1.8 × 10²⁵ FLOP
- Πώς ιδρύθηκε
- Operation counting,Hardware
9 trillion tokens for training 6 * 340B * 9T = 1.8E25 alternatively, can do a hardware estimate with a few extra steps: According to the technical report, Nemotron-4 340B was trained using up to 6144 H100 GPUs. Helpfully, they also report the model FLOP utilization (MFU), which was 41-42% (Table 2). This is the ratio of the actual output of their GPUs, in FLOP used for training, relative to their theoretical max of 989 teraFLOP/s per GPU. Unfortunately, the report omits the last ingredient, w…
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 H100 SXM5 80GB
- χρησιμοποιούμενα τσιπ
- 6,144
- Χρόνος τοίχου
- 2,200 hours (91.7 days)
- Χρήση υλικού
- MFU 41.1%
- Κατανάλωση ενέργειας
- 8.5 MW
- Κόστος υπολογισμού
- $21,271,018
see training compute notes, this is an inferred estimate
Table 2 indicates MFU at different stages of training. ((42.4% * 200B) + (42.3% * 200B) + (41.0% * 7600B)) / (200B + 200B + 7600B) = 0.410675, averaged over training.
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 (unrestricted)
- Κωδικός εκπαίδευσης
- Unreleased
- Αγκαλιάζοντας το Πρόσωπο
- nvidia
Permissive commercial license: https://developer.download.nvidia.com/licenses/nvidia-open-model-license-agreement-june-2024.pdf
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Μοντέλο Frontier
- Yes
- Πιθανώς πάνω από 10²³ FLOP
- Yes
- Γιατί παρακολουθείται
- Training cost
- Εγγραφή εμπιστοσύνης
- Confident
~2e25 FLOP, so high training cost, likely >5M
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- NVIDIA Releases Open Synthetic Data Generation Pipeline for Training Large Language Models
- Τελευταία ενημέρωση
- 18 December 2025
Οι ακραίοι
Οι δέκα ταχύτερες GPUs που τρέχουν Nemotron-4 340B
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..
- 01 B300 288 GB · 8,000 GB/s · Q5_K_M 17.8 tok/s
- 02 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q5_K_M 14.2 tok/s
- 03 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q5_K_M 14.2 tok/s
- 04 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q3_K_M 14.0 tok/s
- 05 Radeon Instinct MI308X 192 GB · 5,325 GB/s · Q3_K_M 14.0 tok/s
- 06 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q4_K_M 13.5 tok/s
Οι μικρότερες GPUs που ακόμη λειτουργούν Nemotron-4 340B
Η φθηνότερη διαδρομή, κατά χωρητικότητα μνήμης. Μια σφιχτή εφαρμογή τρέχει το μοντέλο αλλά δεν αφήνει τίποτα επιπλέον για μια μεγαλύτερη συνομιλία..
- 01 Radeon Instinct MI300X 192 GB · Χρειάζεται 166.8 GB · Q3_K_M · Στενά 14.0 tok/s
- 02 Radeon Instinct MI308X 192 GB · Χρειάζεται 166.8 GB · Q3_K_M · Στενά 14.0 tok/s
- 03 Radeon Instinct MI325X 256 GB · Χρειάζεται 206.4 GB · Q4_K_M · Στενά 13.5 tok/s
- 04 B300 288 GB · Χρειάζεται 246.0 GB · Q5_K_M · Στενά 17.8 tok/s
- 05 Radeon Instinct MI350X 288 GB · Χρειάζεται 246.0 GB · Q5_K_M · Στενά 14.2 tok/s
- 06 Radeon Instinct MI355X 288 GB · Χρειάζεται 246.0 GB · Q5_K_M · Στενά 14.2 tok/s
Τι σημαίνουν οι αριθμοί
Τι χρειάζεται για να τρέξει αυτό το μοντέλο
Ελάχιστη κάρτα
Radeon Instinct MI300X
Μνήμη που απαιτείται
166.8 GB
Ταχύτερος
17.8 tok/s
Nemotron-4 340B φτάνει σε αριθμό παραμέτρων του 340B. Αυτό είναι πέρα από ό,τι κρατάει οποιαδήποτε μεμονωμένη κάρτα γραφικών. Η εκτέλεσή του σημαίνει είτε να το χωρίσετε σε αρκετές κάρτες είτε να νοικιάσετε υλικό κατασκευασμένο για τη δουλειά, και κάθε κάρτα που μπορεί να το κρατήσει μόνη της είναι μέρος ενός datacentre. Ο αριθμός που μπορεί: 6.
Η μικρότερη κάρτα που το κρατάει είναι Radeon Instinct MI300X, με χωρητικότητα μνήμης 192 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 14.0 tokens ανά δευτερόλεπτο
Ο ταχύτερος υπολογισμός που κάνουμε γι 'αυτό είναι B300, γεννά προσεγγιστικά 17.8 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.
Τι είναι αυτό το μοντέλο
Nemotron-4 340B δημοσιεύθηκε από NVIDIA, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια June 2024. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry.
Λειτουργεί στον τομέα της Language, και καταγράφεται ότι εκτελεί την εργασία του language modeling/generation, Chat, Question answering.
Επειδή τα βάρη του απελευθερώθηκαν, τίποτα σχετικά με την εκτέλεσή του δεν εξαρτάται από το να παραμείνει διαθέσιμος ένας προμηθευτής - είναι δικό σας μόλις το κατεβάσετε. Στο Hugging Face δημοσιεύεται υπό την οργάνωση nvidia.
Τι αποφασίζει την ταχύτητα
Η μισή από τις κάρτες που το κρατούν διαχειρίζονται περισσότερα από 14.1 τόκεν ανά δευτερόλεπτο. Παραγωγή κειμένου ταχύτερα από το μεγαλύτερο μέρος των ανθρώπων το διαβάζουν. 6 τους
Κάθε βάρος συμμετέχει σε κάθε τόκεν εδώ, έτσι το εύρος ζώνης είναι ολόκληρη η ιστορία: η κατάταξη παρακάτω είναι ουσιαστικά μια κατάταξη της ροής μνήμης.
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.
Εκπαίδευση και προελεύσεις
Η εκπαιδευτική εκτέλεση καταναλώνει περίπου 1.8 × 10²⁵ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H100 SXM5 80GB. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Εκπαιδεύτηκε σε ένα σώμα περίπου 9,000,000,000,000 κωδικοί κειμένου
Το κριτήριο συμπερασμού του: training cost.
Βήμα προς βήμα
Πώς να επιλέξετε μια GPU για Nemotron-4 340B
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
Κάθε κάρτα εδώ έχει ελεγχθεί σε σχέση με Nemotron-4 340B, χρειάζεστε γύρω 166.8 GB σε συμπίεση ενός Q3_K_M. Η Χωρητικότητα είναι η πύλη — μια κάρτα είτε την κρατά είτε δεν την κρατά.
-
02
Ρύθμισε το context length που θα εργαστείς.
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. Nemotron-4 340B.
-
03
Ορίστε ένα ποιοτικό κατώφλι
Η Συμπίεση είναι αυτό που καθιστά ένα μοντέλο συμβατό με μικρότερες κάρτες, με κάποιο κόστος στην ακρίβεια., 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
Κατάταξη με βάση την απόδοση αντί για το φύλλο προδιαγραφών
Η ταχύτητα παραγγελίας είναι στην ουσία μια παραγγελία με βάση το εύρος ζώνης μνήμης, για Nemotron-4 340B. Δεν θα ταιριάξει σε μια παραγγελία παιχνιδιών, επειδή η γενιά περιορίζεται από το memory bandwidth. Η κάρτα που είναι στην κορυφή της λίστας είναι B300, σε 17.8 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 Nemotron-4 340B. 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
Άνοιξε την κάρτα στην οποία έχεις καταλήξει
Ακολουθώντας μια κάρτα μέχρι τη δική της σελίδα δείχνει κάθε άλλο μοντέλο που μπορεί να κρατήσει, το οποίο είναι το ερώτημα που προκύπτει μόλις αποφασίσετε για Nemotron-4 340B.
Απαντήσεις
Nemotron-4 340B — κοινές ερωτήσεις
Nemotron-4 340B— 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 44.4 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.
Nemotron-4 340B— θα τρέξουν δύο GPU πιο γρήγορα;
Η ικανότητα προστίθεται σε κάρτες; η απόδοση δεν προστίθεται. Ο αριθμός των καρτών που το κρατούν ήδη μόνες τους: 6. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.
Nemotron-4 340B— 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: 3. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.
Nemotron-4 340B— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;
Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 11–28 tok/s στον B300. Το ίδιο μοντέλο και κάρτα διαφέρουν κατά τριάντα έως πενήντα τοις εκατό ανάλογα με το λογισμικό συμπερασμού και την έκδοσή του.
Nemotron-4 340B— ποια GPU χρειάζομαι για να το τρέξω;
Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι Radeon Instinct MI300X, με χωρητικότητα μνήμης 192 GB. Τρέχει το μοντέλο σε συμπίεση της Q3_K_M χρησιμοποιώντας περίπου 166.8 GB, και παράγει περίπου 14.0 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 6.
Nemotron-4 340B— πώς γρήγορα είναι σε μια GPU;
Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B300, γύρω από 17.8 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: 6.
Nemotron-4 340B— πόσο VRAM χρειάζεται;
Χρειάζεται περίπου 166.8 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.
Nemotron-4 340B— 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.
Nemotron-4 340B— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 340B. 340B. 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.
Nemotron-4 340B— ποιος το δημιούργησε;
Δημοσιεύθηκε από NVIDIA, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry.
Nemotron-4 340B— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε June 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.
Nemotron-4 340B— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Language, και καταγράφεται ως διαχείριση της εργασίας του language modeling/generation, Chat, Question answering. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.
Nemotron-4 340B— πού μπορώ να το κατεβάσω;
Τα βάρη του είναι δημοσιευμένα στο Hugging Face, υπό την οργάνωση nvidia. Δεν φιλοξενούμε αρχεία μοντέλων — αυτός ο ιστότοπος υπολογίζει ποιο υλικό απαιτείται για να τα εκτελέσετε.
Nemotron-4 340B— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 1.8 × 10²⁵ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H100 SXM5 80GB. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
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.