LLaMA-3-Instruct-8B Υπολογιστής TPS

Ανοιχτά βάρη Meta AI 8B παράμετροι April 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

582 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

Quadro 6000

6 GB · Q3_K_M · 17.4 tok/s

Ταχύτερη κάρτα

B200

424 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν LLaMA-3-Instruct-8B?

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

582 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
424 tok/s 360–508	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.8 GB	Q8_0	Άνετο
424 tok/s 360–508	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.8 GB	Q8_0	Άνετο
338 tok/s 203–541 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Άνετο
338 tok/s 203–541 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Άνετο
270 tok/s 162–433 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.8 GB	Q8_0	Άνετο
259 tok/s 220–311	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Άνετο
259 tok/s 220–311	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Άνετο
248 tok/s 149–396 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.8 GB	Q8_0	Άνετο
220 tok/s 132–352 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Άνετο
220 tok/s 132–352 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Άνετο
220 tok/s 132–352 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Άνετο
209 tok/s 177–250	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.8 GB	Q8_0	Άνετο
178 tok/s 151–213	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Άνετο
178 tok/s 151–213	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.8 GB	Q8_0	Άνετο
178 tok/s 151–213	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Άνετο
178 tok/s 151–213	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Άνετο
178 tok/s 151–213	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Άνετο
141 tok/s 120–169	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	Q5_K_M	Στενά
135 tok/s 81–217 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Άνετο
135 tok/s 81–217 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Άνετο
120 tok/s 102–144	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q6_K	Στενά
113 tok/s 68–181 · χαμηλή εμπιστοσύνη	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.8 GB	Q8_0	Άνετο
110 tok/s 66–177 · χαμηλή εμπιστοσύνη	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.8 GB	Q8_0	Άνετο
108 tok/s 92–130	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.8 GB	Q8_0	Άνετο
108 tok/s 92–130	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.8 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: Meta AI
Τύπος οργανισμού: Industry
Χώρα: United States of America
Δημοσιευμένο: 18 April 2024

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, Question answering, Code generation
Βασικό μοντέλο: Llama 3-8B

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: 8B
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: Unreleased
Αγκαλιάζοντας το Πρόσωπο: meta-llama

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.

Τελευταία ενημέρωση: 28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν LLaMA-3-Instruct-8B

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 LLaMA-3-Instruct-8B

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

Απαιτήσεις υλικού στην πράξη

Ελάχιστη κάρτα

Quadro 6000

Μνήμη που απαιτείται

5.1 GB

Ταχύτερος

424 tok/s

LLaMA-3-Instruct-8B φτάνει σε αριθμό παραμέτρων του 8B. Αυτό είναι αρκετά μικρό ώστε το υλικό σπάνια να είναι το εμπόδιο, συμπεριλαμβανομένων καρτών αρκετών ετών. Ο αριθμός των καρτών που παρακολουθούμε που μπορούν να το τρέξουν: 582.

Το σημείο εισόδου είναι Quadro 6000, με χωρητικότητα μνήμης 6 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 17.4 tokens ανά δευτερόλεπτο

Κορυφαία κατηγορία είναι B200, γεννά προσεγγιστικά 424 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Τι είναι αυτό το μοντέλο

LLaMA-3-Instruct-8B δημοσιεύθηκε από Meta AI, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια April 2024. Ο εκδοτικός οργανισμός κατηγοριοποιείται ως industry.

Λειτουργεί στον τομέα της Language, και καταγράφεται ότι εκτελεί την εργασία του language modeling/generation, Question answering, Code generation.

Βασίζεται σε Llama 3-8B. Αυτή είναι η συνηθισμένη διαδικασία παραγωγής ενός εξειδικευμένου μοντέλου.

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 meta-llama.

Τι αποφασίζει την ταχύτητα

Η μισή από τις κάρτες που το κρατούν διαχειρίζονται περισσότερα από 23.8 δεδομένα ανά δευτερόλεπτο 551 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 διάταξη προσοχής του είναι οργανωμένη στο αρχείο, οπότε οι αριθμοί μνήμης υπολογίζονται ακριβώς αντί για προσεγγιστικά.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για LLaMA-3-Instruct-8B

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

Κάθε κάρτα εδώ έχει ελεγχθεί σε σχέση με LLaMA-3-Instruct-8B, χρειάζεστε γύρω 5.1 GB σε συμπίεση ενός Q3_K_M. Αυτή η τιμή, όχι η κύρια απόδοση μιας κάρτας, είναι αυτή που αποφασίζει αν θα τρέξει.
02

Ρύθμισε το context length που θα εργαστείς.

Οι μεγαλύτερες συνομιλίες κοστίζουν μνήμη επιπλέον από εκείνη που χρειάζονται τα βάρη. Μετακινήστε τον διακόπτη στο πραγματικό σας μήκος εργασίας πριν εμπιστευτείτε οποιαδήποτε γραμμή για LLaMA-3-Instruct-8B.
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

Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για LLaMA-3-Instruct-8B. 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 424 τοκ/σ.
05

Διαβάστε την τελευταίο στήλη εφαρμογής

Η στήλη καταλληλότητας χωρίζει τις κάρτες που απλά τα καταφέρνουν από αυτές που έχουν περιθώριο, στην περίπτωση του LLaMA-3-Instruct-8B. 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 LLaMA-3-Instruct-8B.

Απαντήσεις

LLaMA-3-Instruct-8B — κοινές ερωτήσεις

LLaMA-3-Instruct-8B— πού μπορώ να το κατεβάσω;

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

LLaMA-3-Instruct-8B— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;

Μπορεί να χωριστεί μεταξύ της κάρτας και της μνήμης του συστήματος, αλλά παράγει επώδυνα αργά με αυτόν τον τρόπο. Η πλησιέστερη αποτυχία που υπολογίζουμε υπολείπεται κατά 1.5 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

LLaMA-3-Instruct-8B— 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: 582. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

LLaMA-3-Instruct-8B— 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.

LLaMA-3-Instruct-8B— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 360–508 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.

LLaMA-3-Instruct-8B— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι Quadro 6000, με χωρητικότητα μνήμης 6 GB. Τρέχει το μοντέλο σε συμπίεση της Q3_K_M χρησιμοποιώντας περίπου 5.1 GB, και παράγει περίπου 17.4 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 582.

LLaMA-3-Instruct-8B— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 424 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: 551.

LLaMA-3-Instruct-8B— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 5.1 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.

LLaMA-3-Instruct-8B— μπορώ να το τρέξω σε μια GPU holding 8 GB?

Ναι. Η GPU CMP 170HX 8 GB, κρατώντας 8 ΓΒ, το τρέχει με συμπίεση από Q5_K_M, χρησιμοποιώντας περίπου 7.0 GB και παράγοντας περίπου 141 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

LLaMA-3-Instruct-8B— μπορώ να το τρέξω σε μια GPU holding 12 GB?

Ναι. Η GPU GeForce RTX 3080 Ti, κρατώντας 12 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 9.8 GB και παράγοντας περίπου 48.3 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

LLaMA-3-Instruct-8B— μπορώ να το τρέξω σε μια GPU holding 16 GB?

Ναι. Η GPU Tesla V100 SXM2 16 GB, κρατώντας 16 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 9.8 GB και παράγοντας περίπου 59.8 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

LLaMA-3-Instruct-8B— 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 Q8_0, χρησιμοποιώντας περίπου 9.8 GB και παράγοντας περίπου 70.9 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

LLaMA-3-Instruct-8B— 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.

LLaMA-3-Instruct-8B— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 8B. 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.

LLaMA-3-Instruct-8B— ποιος το δημιούργησε;

Δημοσιεύθηκε από Meta AI, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry.

LLaMA-3-Instruct-8B— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε April 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.

LLaMA-3-Instruct-8B— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Language, και καταγράφεται ως διαχείριση της εργασίας του language modeling/generation, Question answering, Code generation. 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.

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