MoE-1.1T υπολογιστής TPS
Κάθε κάρτα παρακάτω αξιολογείται σύμφωνα με αυτό το μοντέλο στο μήκος πλαισίου και την ελάχιστη ποιότητα που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το εύρος μνήμης της κάρτας και το μέγεθος του μοντέλου μόλις συμπιεστεί..
Υπολογίστηκε για αυτό το μοντέλο
Ποιες GPU μπορούν να τρέξουν MoE-1.1T?
Ορίστε τα εισερχόμενα, διάβασε την απάντηση
Μια μακρύτερη συνομιλία χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να ωθήσει αυτό το μοντέλο εκτός από μικρότερα κάρτες..
Κρύβει κάρτες που θα ταίριαζαν μόνο στο μοντέλο συμπιέζοντάς το κάτω από αυτό το σημείο.
0 οι μοντέλα μπορούν να τρέξουν στο GPU. αυτό το μοντέλο δεν ταιριάζει. τρέχει άνετα.
Υπολογισμός| Χρειάζεται | Ποσοτικοποίηση | Κατάλληλο | |||||
|---|---|---|---|---|---|---|---|
|
No card in our catalogue can run this model with these settings. |
|||||||
Οι ταχύτητες είναι εκτιμήσεις για μια μόνο αίτηση — μια συνομιλία τη φορά — υπολογισμένες από την εύρος ζώνης μνήμης, το μέγεθος του μοντέλου και την ποσοστοποίηση. Η πραγματική διαμεταγωγή ποικίλλει με τον χρόνο εκτέλεσης της συμπερασματολογίας και την έκδοσή της. Οι αριθμοί που δημοσιεύονται από τις εταιρείες υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..
Σε καταγραφή
πλήρης προδιαγραφή
Τα πάντα είναι καταγεγραμμένα για αυτό το μοντέλο. Το μεγαλύτερο μέρος περιγράφει πώς έχει εκπαιδευτεί παρά πώς εκτελείται — χρήσιμος πλαίσιο για να κρίνουμε πόση δουλειά έχει γίνει σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- Meta AI
- Τύπος οργάνωσης
- Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 20 December 2021
- Authors
- Mikel Artetxe, Shruti Bhosale, Naman Goyal, Todor Mihaylov, Myle Ott, Sam Shleifer, Xi Victoria Lin, Jingfei Du, Srinivasan Iyer, Ramakanth Pasunuru, Giri Anantharaman, Xian Li, Shuohui Chen, Halil Akin, Mandeep Baines, Louis Martin, Xing Zhou, Punit Singh Koura, Brian O'Horo, Jeff Wang, Luke Zettlemoyer, Mona Diab, Zornitsa Kozareva, Ves Stoyanov
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες χτίστηκε το μοντέλο. Ένα μοντέλο μπορεί να φέρει αρκετές από κάθε μία.
- Δικτύου
- Language
- Language modeling/generation, Question answering
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν θα χωρέσει σε μια δεδομένη κάρτα γραφικών.
- παραμέτρους
- 1.1T
- Εκπαίδευση δεδομένων
- 112,000,000,000 tokens
- Εποχές
- 2.68
112B tokens, or 84B words at 0.75 English words/token. "We pretrain our models on a union of six Englishlanguage datasets, including the five datasets used to pretrain RoBERTa (Liu et al., 2019) and the English subset of CC100, totalling 112B tokens"
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε floating-point operations. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι της ταχύτητας που απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 2.2 × 10²² FLOP
- Πώς ιδρύθηκε
- Reported
Reported directly in paper. Authors calculate FLOPs analytically in appendix G
Η εκπαίδευση τρέχει
Τι χρειάστηκε φυσικά για την εκπαίδευση: ποια τσιπ, πόσα, για πόσο καιρό, και τι ρεύμα αντλήθηκε από το δίκτυο.
- Υλικό εκπαίδευσης
- NVIDIA A100
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στον δικό σας υλικό, το οποίο είναι αυτό που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα ισχύουν.
- Βάρη
- Open — downloadable
- Πρόσβαση μοντέλου
- Open weights (non-commercial)
- Κωδικός εκπαίδευσης
- Unreleased
for research use only https://github.com/facebookresearch/fairseq/tree/main/examples/moe_lm I don't see training code
Πώς ταξινομείται
Ετικέτες που εφαρμόζονται στο σύνολο δεδομένων προέλευσης κατά την παρακολούθηση σημαντικών μοντέλων και πόσο σίγουρο είναι για την καταχώρηση.
- Το μοντέλο δεν ταιριάζει στο VRAM του GPU.
- Confident
- 241
Ποιό μοντέλο μπορεί να τρέξει η GPU; Δεν ταιριάζει. Τρέχει άνετα.
Όταν αυτό το αρχείο δημιουργήθηκε και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Efficient Large Scale Language Modeling with Mixtures of Experts
- Τι μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ σφιχτό. Άνετο.
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Απαιτήσεις υλικού στην πράξη
At 1.1T parameters, MoE-1.1T is beyond what any single graphics card holds. Running it means either splitting it across several cards or renting hardware built for the job — 0 of the cards we track can hold it on their own, and all of them are datacentre parts.
Ποιο μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ στενό. Άνετο.
MoE-1.1T was published by Meta AI, in United States of America, in December 2021. industry is the category the publisher falls under.
Λειτουργεί σε Γερμανικά και καταγράφεται ως μοντελοποίηση/παραγωγή γλώσσας, Απαντήσεις ερωτήσεων.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Τι εισήλθε στην κατασκευή του
The training run consumed about 2.2 × 10²² FLOP, on NVIDIA A100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 112,000,000,000 tokens of text.
Βήμα προς βήμα
Πώς να επιλέξετε μία GPU για MoE-1.1T
Ο πίνακας παραπάνω έχει ήδη αξιολογήσει κάθε κάρτα για την οποία έχουμε προδιαγραφές ενάντια σε αυτό το μοντέλο. Η απάντησή σας απαιτεί έξι βήματα..
-
01
Start from the memory column
Every card here has been checked against MoE-1.1T. Capacity is the gate — a card either holds it or it does not.
-
02
Αποφασίστε πόσο καιρό θα τρέχουν οι συνομιλίες σας
Longer conversations cost memory on top of what the weights need. Move the slider to your real working length before trusting any row for MoE-1.1T.
-
03
Choose how far you will compress it
Each card runs the least-compressed copy it can hold. Setting a floor drops the cards that only manage MoE-1.1T by squeezing it further than you would want.
-
04
Compare tokens per second, not specifications
Sort by speed to see how cards rank for MoE-1.1T. It will not match a gaming ordering — generation is bound by memory bandwidth.
-
05
Έλεγξε την απόφαση κατάλληλης εφαρμογής πριν αγοράσεις
Tight means MoE-1.1T loads and works, with no room to raise the context later. Comfortable means you can. The difference matters more than a few tokens per second.
-
06
Ελέγξτε την κάρτα από την άλλη πλευρά
Each card page repeats this sweep for every model we hold. It answers what else the hardware is good for, beyond MoE-1.1T.
Απαντήσεις
MoE-1.1T — Αυτό το μοντέλο δεν χωράει στη VRAM της GPU.
Is MoE-1.1T open source?
Its weights are published, so MoE-1.1T can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does MoE-1.1T have?
MoE-1.1T has 1.1T parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created MoE-1.1T?
MoE-1.1T was published by Meta AI, based in United States of America, categorised as industry.
When was MoE-1.1T released?
MoE-1.1T was published in December 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is MoE-1.1T used for?
MoE-1.1T works in Language, and is recorded as handling language modeling/generation, Question answering. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download MoE-1.1T?
The weights for MoE-1.1T are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train MoE-1.1T?
Around 2.2 × 10²² FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Can I run MoE-1.1T if it does not fit in my GPU?
It can be split between the card and system memory, but MoE-1.1T generates painfully slowly that way — the nearest miss we calculate is short by 407.0 GB. Nothing on this page assumes offloading.
Would two GPUs run MoE-1.1T faster?
Two cards buy memory rather than speed. That matters for MoE-1.1T only if one card cannot hold it — 0 can, so a second adds little.
Why does the quantisation differ between cards for MoE-1.1T?
Because capacity varies, so does how hard MoE-1.1T has to be squeezed — 1 distinct levels appear in the table above. Set a minimum quality to compare at one.
How accurate are these MoE-1.1T speed estimates?
They are calculated from specifications rather than measured, and each carries a range — the range beneath each figure, for instance. The same model and card vary by thirty to fifty per cent depending on the inference software and its version.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Εάν έχετε ήδη μια κάρτα και θέλετε να ξέρετε τα πάντα που μπορεί να εκτελέσει., δεν χωράει.