dots.llm1 Υπολογιστής TPS

Ανοιχτά βάρη Rednote 142B παράμετροι July 2025

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

37 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

A100 SXM4 80 GB

80 GB · Q3_K_M · 16.4 tok/s

Ταχύτερη κάρτα

H100 NVL 94 GB

28.9 tok/s · 94 GB

Ποιες GPU μπορούν να τρέξουν dots.llm1?

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

37 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
28.9 tok/s 17–46 · χαμηλή εμπιστοσύνη	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	78.3 GB	IQ4_XS	Στενά
27.2 tok/s 16–44 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	103.1 GB	Q5_K_M	Στενά
27.0 tok/s 16–43 · χαμηλή εμπιστοσύνη	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	70.1 GB	Q3_K_M	Στενά
27.0 tok/s 16–43 · χαμηλή εμπιστοσύνη	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	70.1 GB	Q3_K_M	Στενά
24.6 tok/s 15–39 · χαμηλή εμπιστοσύνη	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Στενά
24.6 tok/s 15–39 · χαμηλή εμπιστοσύνη	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Στενά
24.6 tok/s 15–39 · χαμηλή εμπιστοσύνη	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Στενά
23.9 tok/s 14–38 · χαμηλή εμπιστοσύνη	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	152.7 GB	Q8_0	Στενά
23.9 tok/s 14–38 · χαμηλή εμπιστοσύνη	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	152.7 GB	Q8_0	Άνετο
22.1 tok/s 13–35 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	103.1 GB	Q5_K_M	Στενά
21.2 tok/s 13–34 · χαμηλή εμπιστοσύνη	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Στενά
21.2 tok/s 13–34 · χαμηλή εμπιστοσύνη	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Στενά
19.1 tok/s 11–30 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Άνετο
19.1 tok/s 11–30 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Άνετο
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	70.1 GB	Q3_K_M	Στενά
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	70.1 GB	Q3_K_M	Στενά
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	70.1 GB	Q3_K_M	Στενά
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Στενά
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	70.1 GB	Q3_K_M	Στενά
16.4 tok/s 10–26 · χαμηλή εμπιστοσύνη	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Στενά
15.6 tok/s 9–25 · χαμηλή εμπιστοσύνη	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	70.1 GB	Q3_K_M	Στενά
15.6 tok/s 9–25 · χαμηλή εμπιστοσύνη	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	70.1 GB	Q3_K_M	Στενά
14.0 tok/s 8–22 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	152.7 GB	Q8_0	Άνετο
13.6 tok/s 8–22 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	103.1 GB	Q5_K_M	Στενά
13.6 tok/s 8–22 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	103.1 GB	Q5_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: Rednote
Τύπος οργανισμού: Industry
Χώρα: China
Δημοσιευμένο: 6 July 2025
Συγγραφείς: Bi Huo, Bin Tu, Cheng Qin, Da Zheng, Debing Zhang, Dongjie Zhang, En Li, Fu Guo, Jian Yao, Jie Lou, Junfeng Tian, Li Hu, Ran Zhu, Shengdong Chen, Shuo Liu, Su Guang, Te Wo, Weijun Zhang, Xiaoming Shi, Xinxin Peng, Xing Wu, Yawen Liu, Yuqiu Ji, Ze Wen, Zhenhai Liu, Zichao Li, Zilong Liao

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

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: 142B
Δεδομένα εκπαίδευσης: 11,328,000,000,000 tokens
Μέγεθος παρτίδας: 128,000,000

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: 1.2 × 10²⁴ FLOP
Πώς ιδρύθηκε: Hardware,Operation counting

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 H800 SXM5
Τσιπ-ώρες: 1,456,000

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: rednote-hilab

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.

Αναφορά: dots.llm1 Technical Report
Τελευταία ενημέρωση: 19 December 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν dots.llm1

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 dots.llm1

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

A100 SXM4 80 GB

Μνήμη που απαιτείται

70.1 GB

Ταχύτερος

28.9 tok/s

dots.llm1 φτάνει σε αριθμό παραμέτρων του 142B. Αυτό το τοποθετεί πάνω από το καταναλωτικό υλικό, στην κατηγορία όπου μια ΚΑΡΤΑ αγοράζεται για αυτόν τον σκοπό αντί να επαναχρησιμοποιηθεί γι' αυτό. Ο αριθμός των ΚΑΡΤΩΝ που παρακολουθούμε που μπορούν να το διατηρήσουν: 37.

Το σημείο εισόδου είναι A100 SXM4 80 GB, με χωρητικότητα μνήμης 80 GB, τρέχοντας το σε μια συμπίεση του Q3_K_M και παράγοντας περίπου 16.4 tokens ανά δευτερόλεπτο

Ο ταχύτερος υπολογισμός που κάνουμε γι 'αυτό είναι H100 NVL 94 GB, γεννά προσεγγιστικά 28.9 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 3,940 GB/s.

Υπόβαθρο

dots.llm1 δημοσιεύθηκε από Rednote, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια July 2025. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry.

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

Τα βάρη είναι δημοσιευμένα, έτσι ώστε να μπορούν να κατεβούν και να τρέξουν στον δικό σας υπολογιστή επ' αόριστον, εκτός σύνδεσης, χωρίς λογαριασμό συνδεδεμένο. Στο Hugging Face δημοσιεύεται υπό την οργάνωση rednote-hilab.

Διαβάζοντας τα νούμερα απόδοσης

Η διάμεση τιμή είναι γύρω από 16.4 δεκάδες ανά δευτερόλεπτο 35 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 μνήμη εδώ εκτιμάται από το μέγεθος παρά υπολογίζεται από την αρχιτεκτονική, η οποία δεν έχει καταγραφεί για αυτό το μοντέλο — οι αριθμοί είναι ενδεικτικοί παρά ακριβείς.

Εκπαίδευση και προελεύσεις

Η εκπαιδευτική εκτέλεση καταναλώνει περίπου 1.2 × 10²⁴ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H800 SXM5. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Εκπαιδεύτηκε σε ένα σώμα περίπου 11,328,000,000,000 κωδικοί κειμένου

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για dots.llm1

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

Αρχίστε από αυτό που πραγματικά χρειάζεται, το οποίο είναι η απαίτηση του dots.llm1, χρειάζεστε γύρω 70.1 GB σε συμπίεση ενός Q3_K_M. Αυτή η τιμή, όχι η κύρια απόδοση μιας κάρτας, είναι αυτή που αποφασίζει αν θα τρέξει.
02

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. dots.llm1.
03

Ορίστε ένα ποιοτικό κατώφλι

Η στήλη ποσοτικοποίησης διαφέρει ανά κάρτα, διότι μια μεγαλύτερη κάρτα κρατά μια πιο ακριβή αντιγραφή., 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

Η ταχύτητα παραγγελίας είναι στην ουσία μια παραγγελία με βάση το εύρος ζώνης μνήμης, για dots.llm1. Δεν θα ταιριάξει σε μια παραγγελία παιχνιδιών, επειδή η γενιά περιορίζεται από το memory bandwidth. Η κάρτα που είναι στην κορυφή της λίστας είναι H100 NVL 94 GB, σε 28.9 τοκ/σ.
05

Ελέγξτε την απόφαση κατάλληλης εφαρμογής πριν από την αγορά

Μια σφιχτή εφαρμογή τρέχει, αλλά δεν αφήνει τίποτα ελεύθερο για μια μεγαλύτερη συζήτηση, στην περίπτωση του dots.llm1. 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 dots.llm1.

Απαντήσεις

dots.llm1 — κοινές ερωτήσεις

dots.llm1— ποιος το δημιούργησε;

Δημοσιεύθηκε από Rednote, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως industry.

dots.llm1— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε July 2025.

dots.llm1— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Language, και καταγράφεται ως διαχείριση της εργασίας του language modeling/generation, Question answering. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.

dots.llm1— πού μπορώ να το κατεβάσω;

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

dots.llm1— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 1.2 × 10²⁴ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA H800 SXM5. 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.

dots.llm1— 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 21.8 GB Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

dots.llm1— 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: 37. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

dots.llm1— 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.

dots.llm1— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Κάθε νούμερο προκύπτει από το εύρος ζώνης μνήμης και το μέγεθος του μοντέλου, χωρίς να έχουν αξιολογηθεί, γι' αυτό και κάθε ένα δημοσιεύεται ως εύρος αντί για έναν μόνο αριθμό. Ένα παράδειγμα: 17–46 tok/s στον H100 NVL 94 GB. Το ίδιο μοντέλο και κάρτα διαφέρουν κατά τριάντα έως πενήντα τοις εκατό ανάλογα με το λογισμικό συμπερασμού και την έκδοσή του.

dots.llm1— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι A100 SXM4 80 GB, με χωρητικότητα μνήμης 80 GB. Τρέχει το μοντέλο σε συμπίεση της Q3_K_M χρησιμοποιώντας περίπου 70.1 GB, και παράγει περίπου 16.4 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 37.

dots.llm1— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι H100 NVL 94 GB, γύρω από 28.9 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: 35.

dots.llm1— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 70.1 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.

dots.llm1— 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.

dots.llm1— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 142B. a large-scale MoE model that activates 14 billion parameters out of a total of 142 billion parameters. 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.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 19 December 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