Llama-2-Chinese 13B Υπολογιστής TPS

Ανοιχτά βάρη FlagAlpha 13B παράμετροι June 2023

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

295 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

GeForce GTX 1080 Ti

11 GB · Q3_K_M · 36.2 tok/s

Ταχύτερη κάρτα

B200

261 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν Llama-2-Chinese 13B?

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

295 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.9 GB	Q8_0	Άνετο
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.9 GB	Q8_0	Άνετο
208 tok/s 125–333 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Άνετο
208 tok/s 125–333 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.9 GB	Q8_0	Άνετο
166 tok/s 100–266 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.9 GB	Q8_0	Άνετο
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Άνετο
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.9 GB	Q8_0	Άνετο
152 tok/s 91–244 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.9 GB	Q8_0	Άνετο
135 tok/s 81–217 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Άνετο
135 tok/s 81–217 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Άνετο
135 tok/s 81–217 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.9 GB	Q8_0	Άνετο
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.9 GB	Q8_0	Άνετο
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Άνετο
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.9 GB	Q8_0	Άνετο
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Άνετο
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Άνετο
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.9 GB	Q8_0	Άνετο
83.4 tok/s 50–133 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Άνετο
83.4 tok/s 50–133 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.9 GB	Q8_0	Άνετο
73.0 tok/s 62–88	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.1 GB	IQ4_XS	Στενά
73.0 tok/s 62–88	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.1 GB	IQ4_XS	Στενά
69.5 tok/s 42–111 · χαμηλή εμπιστοσύνη	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.9 GB	Q8_0	Άνετο
68.0 tok/s 41–109 · χαμηλή εμπιστοσύνη	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.9 GB	Q8_0	Άνετο
66.5 tok/s 56–80	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.9 GB	Q8_0	Άνετο
66.5 tok/s 56–80	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	16.9 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: FlagAlpha
Τύπος οργανισμού: Research collective
Χώρα: China
Δημοσιευμένο: 25 June 2023

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, Quantitative reasoning
Βασικό μοντέλο: Llama 2-13B

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: 13B
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 (unrestricted)
Κωδικός εκπαίδευσης: Open (non-commercial)

Πώς ταξινομείται

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

Εγγραφή εμπιστοσύνης: Likely

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-2-Chinese 13B

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-2-Chinese 13B

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

GeForce GTX 1080 Ti

Μνήμη που απαιτείται

9.4 GB

Ταχύτερος

261 tok/s

Llama-2-Chinese 13B φτάνει σε αριθμό παραμέτρων του 13B. 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: 295.

Το σημείο εισόδου είναι GeForce GTX 1080 Ti, με χωρητικότητα μνήμης 11 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 36.2 tokens ανά δευτερόλεπτο

Στην άλλη άκρη κάθεται B200, γεννά προσεγγιστικά 261 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Σχετικά με αυτό το μοντέλο

Llama-2-Chinese 13B δημοσιεύθηκε από FlagAlpha, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια June 2023. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι research collective.

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

Αντί να εκπαιδευτεί από την αρχή, προέρχεται από Llama 2-13B. Γι' αυτό μοιράζεται τη γενική μορφή και μέγεθος του βασικού μοντέλου.

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.

Πόσο γρήγορα τρέχει, και γιατί

Η διάμεση τιμή είναι γύρω από 24.2 τόκεν ανά δευτερόλεπτο. Παραγωγή κειμένου ταχύτερα από το μεγαλύτερο μέρος των ανθρώπων το διαβάζουν. 258 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.

Επειδή η αρχιτεκτονική είναι καταγεγραμμένη, η στήλη μνήμης προκύπτει μάλλον παρά εκτιμάται.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για Llama-2-Chinese 13B

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

Διάβασε πρώτα την εικόνα μνήμης

Ο πίνακας παραθέτει κάθε κάρτα που μπορεί να κρατήσει Llama-2-Chinese 13B, χρειάζεστε γύρω 9.4 GB σε συμπίεση ενός Q3_K_M. Καμία ποσότητα επεξεργαστικής ισχύος δεν μπορεί να αντισταθμίσει μια κάρτα που δεν μπορεί να την κρατήσει.
02

Ταιριάξτε το πλαίσιο με την πραγματική σας χρήση

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. Llama-2-Chinese 13B.
03

Αποφασίστε πόση συμπίεση θα αποδεχθείτε

Κάθε κάρτα εκτελεί την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει, 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 Llama-2-Chinese 13B. 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 261 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-2-Chinese 13B. 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

Έλεγξε την κάρτα από την άλλη πλευρά

Κάθε σελίδα κάρτας επαναλαμβάνει αυτή τη διαδικασία για κάθε μοντέλο που διαθέτουμε, απαντώντας σε το τι άλλο είναι καλό για το υλικό πέρα από Llama-2-Chinese 13B.

Απαντήσεις

Llama-2-Chinese 13B — κοινές ερωτήσεις

Llama-2-Chinese 13B— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 9.4 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-2-Chinese 13B— 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 IQ4_XS, χρησιμοποιώντας περίπου 10.1 GB και παράγοντας περίπου 73.0 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

Llama-2-Chinese 13B— 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 Q6_K, χρησιμοποιώντας περίπου 13.9 GB και παράγοντας περίπου 53.5 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

Llama-2-Chinese 13B— 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 16.9 GB και παράγοντας περίπου 43.7 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Llama-2-Chinese 13B— 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-2-Chinese 13B— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 13B. 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-2-Chinese 13B— ποιος το δημιούργησε;

Δημοσιεύθηκε από FlagAlpha, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως research collective.

Llama-2-Chinese 13B— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε June 2023. 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-2-Chinese 13B— για τί χρησιμοποιείται;

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

Llama-2-Chinese 13B— πού μπορώ να το κατεβάσω;

Οι παράμετροι είναι δημοσιευμένες, αν και δεν κρατάμε σύνδεσμο αποθετηρίου γι' αυτό. Αυτή η ιστοσελίδα υπολογίζει τις απαιτήσεις υλικού αντί να φιλοξενεί αρχεία μοντέλων.

Llama-2-Chinese 13B— 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 1.9 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

Llama-2-Chinese 13B— 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: 295. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

Llama-2-Chinese 13B— 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-2-Chinese 13B— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 222–313 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-2-Chinese 13B— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι GeForce GTX 1080 Ti, με χωρητικότητα μνήμης 11 GB. Τρέχει το μοντέλο σε συμπίεση της Q3_K_M χρησιμοποιώντας περίπου 9.4 GB, και παράγει περίπου 36.2 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 295.

Llama-2-Chinese 13B— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 261 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: 258.

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