LLaMA-33B Υπολογιστής TPS

Ανοιχτά βάρη Meta AI 32.5B παράμετροι February 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

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 · 22.5 tok/s

Ταχύτερη κάρτα

B200

104 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν LLaMA-33B?

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
104 tok/s 89–125	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	36.5 GB	Q8_0	Άνετο
104 tok/s 89–125	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	36.5 GB	Q8_0	Άνετο
83.3 tok/s 50–133 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	36.5 GB	Q8_0	Άνετο
83.3 tok/s 50–133 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	36.5 GB	Q8_0	Άνετο
66.6 tok/s 40–107 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	36.5 GB	Q8_0	Άνετο
63.7 tok/s 54–76	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.5 GB	Q8_0	Άνετο
63.7 tok/s 54–76	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.5 GB	Q8_0	Άνετο
61.0 tok/s 37–98 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	36.5 GB	Q8_0	Άνετο
54.1 tok/s 32–87 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Άνετο
54.1 tok/s 32–87 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Άνετο
54.1 tok/s 32–87 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	36.5 GB	Q8_0	Άνετο
51.3 tok/s 44–62	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	36.5 GB	Q8_0	Άνετο
43.8 tok/s 37–53	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Άνετο
43.8 tok/s 37–53	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	36.5 GB	Q8_0	Άνετο
43.8 tok/s 37–53	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Άνετο
43.8 tok/s 37–53	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Άνετο
43.8 tok/s 37–53	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	36.5 GB	Q8_0	Άνετο
43.5 tok/s 37–52	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	25.2 GB	Q5_K_M	Στενά
43.5 tok/s 37–52	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	25.2 GB	Q5_K_M	Στενά
41.7 tok/s 35–50	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.2 GB	Q5_K_M	Στενά
41.7 tok/s 35–50	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.2 GB	Q5_K_M	Στενά
40.3 tok/s 34–48	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	21.4 GB	Q4_K_M	Στενά
36.7 tok/s 31–44	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	21.4 GB	Q4_K_M	Στενά
33.3 tok/s 20–53 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	36.5 GB	Q8_0	Άνετο
33.3 tok/s 20–53 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	36.5 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: 27 February 2023
Συγγραφείς: Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, Guillaume Lample

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, Code generation, Language modeling/generation, Question answering

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: 32.5B
Δεδομένα εκπαίδευσης: 1,400,000,000,000 tokens
Εποχές: 1.04
Μέγεθος παρτίδας: 4,000,000

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: 2.7 × 10²³ FLOP
Πώς ιδρύθηκε: Operation counting

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 (non-commercial)
Κωδικός εκπαίδευσης: Unreleased

Πώς ταξινομείται

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

Πιθανώς πάνω από 10²³ FLOP: Yes
Εγγραφή εμπιστοσύνης: Confident
Παραπομπές: 19,926
Δεδομένα αναφοράς: LLaMA-33B

Πηγές

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

Αναφορά: LLaMA: Open and Efficient Foundation Language Models
Τελευταία ενημέρωση: 25 May 2026

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν LLaMA-33B

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-33B

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

RTX A4500

Μνήμη που απαιτείται

17.6 GB

Ταχύτερος

104 tok/s

LLaMA-33B φτάνει σε αριθμό παραμέτρων του 32.5B. 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.

Ο ελάχιστος εξοπλισμός που λειτουργεί είναι RTX A4500, με χωρητικότητα μνήμης 20 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 22.5 tokens ανά δευτερόλεπτο

Κορυφαία κατηγορία είναι B200, γεννά προσεγγιστικά 104 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Από πού προήλθε

LLaMA-33B δημοσιεύθηκε από Meta AI, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια February 2023. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry.

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

Οι δημοσιευμένοι σταθμισμένοι παράμετροι σημαίνουν ότι το μοντέλο εκτελείται στον υπολογιστή σας αντί για κάποιου άλλου, το οποίο είναι αυτό που καθιστά την ερώτηση για το υλικό παρακάτω απαντήσιμη σε κάθε περίπτωση.

Κατανόηση των ταχυτήτων

Η μισή από τις κάρτες που το κρατούν διαχειρίζονται περισσότερα από 22.1 τόκεν ανά δευτερόλεπτο. Παραγωγή κειμένου ταχύτερα από το μεγαλύτερο μέρος των ανθρώπων το διαβάζουν. 106 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.

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

Εκπαίδευση και προελεύσεις

Η εκπαιδευτική εκτέλεση καταναλώνει περίπου 2.7 × 10²³ FLOP. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Εκπαιδεύτηκε σε ένα σώμα περίπου 1,400,000,000,000 κωδικοί κειμένου

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για LLaMA-33B

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 LLaMA-33B, χρειάζεστε γύρω 17.6 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-33B.
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

Σύγκριση TPS, όχι προδιαγραφές

Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για LLaMA-33B. 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 104 τοκ/σ.
05

Κοίτα τον χώρο, όχι μόνο την εφαρμογή

Η στήλη καταλληλότητας χωρίζει τις κάρτες που απλά τα καταφέρνουν από αυτές που έχουν περιθώριο, στην περίπτωση του LLaMA-33B. 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

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-33B.

Απαντήσεις

LLaMA-33B — κοινές ερωτήσεις

LLaMA-33B— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 89–125 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-33B— 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 17.6 GB, και παράγει περίπου 22.5 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 132.

LLaMA-33B— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 104 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: 106.

LLaMA-33B— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 17.6 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-33B— 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 21.4 GB και παράγοντας περίπου 40.3 οι τόκεν ανά δευτερόλεπτο. Η εφαρμογή είναι σφιχτή.

LLaMA-33B— 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-33B— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 32.5B. Table 2 in the paper. 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-33B— ποιος το δημιούργησε;

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

LLaMA-33B— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε February 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-33B— για τί χρησιμοποιείται;

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

LLaMA-33B— 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-33B— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 2.7 × 10²³ FLOP. 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.

LLaMA-33B— 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 7.0 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

LLaMA-33B— 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.

LLaMA-33B— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;

Επειδή η χωρητικότητα διαφέρει, έτσι διαφέρει και πόσο σφιχτά πρέπει να συμπιεστεί. Ο αριθμός των διακριτών επιπέδων στον παραπάνω πίνακα: 5. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 25 May 2026

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