Lumina-Image-2.0 Υπολογιστής TPS

Ανοιχτά βάρη Shanghai AI Lab,University of Sydney,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University,Krea AI 2.6B παράμετροι March 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

818 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

Tesla C1080

4 GB · Q8_0 · 14.2 tok/s

Ταχύτερη κάρτα

B200

1,303 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν Lumina-Image-2.0?

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

818 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
1,303 tok/s 782–2,085 · χαμηλή εμπιστοσύνη	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.5 GB	Q8_0	Άνετο
1,303 tok/s 782–2,085 · χαμηλή εμπιστοσύνη	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.5 GB	Q8_0	Άνετο
1,041 tok/s 624–1,665 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.5 GB	Q8_0	Άνετο
1,041 tok/s 624–1,665 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.5 GB	Q8_0	Άνετο
832 tok/s 499–1,332 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.5 GB	Q8_0	Άνετο
797 tok/s 478–1,275 · χαμηλή εμπιστοσύνη	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.5 GB	Q8_0	Άνετο
797 tok/s 478–1,275 · χαμηλή εμπιστοσύνη	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.5 GB	Q8_0	Άνετο
762 tok/s 457–1,220 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.5 GB	Q8_0	Άνετο
677 tok/s 406–1,083 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.5 GB	Q8_0	Άνετο
677 tok/s 406–1,083 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.5 GB	Q8_0	Άνετο
677 tok/s 406–1,083 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.5 GB	Q8_0	Άνετο
642 tok/s 385–1,027 · χαμηλή εμπιστοσύνη	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.5 GB	Q8_0	Άνετο
547 tok/s 328–876 · χαμηλή εμπιστοσύνη	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.5 GB	Q8_0	Άνετο
547 tok/s 328–876 · χαμηλή εμπιστοσύνη	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.5 GB	Q8_0	Άνετο
547 tok/s 328–876 · χαμηλή εμπιστοσύνη	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.5 GB	Q8_0	Άνετο
547 tok/s 328–876 · χαμηλή εμπιστοσύνη	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.5 GB	Q8_0	Άνετο
547 tok/s 328–876 · χαμηλή εμπιστοσύνη	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.5 GB	Q8_0	Άνετο
417 tok/s 250–667 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.5 GB	Q8_0	Άνετο
417 tok/s 250–667 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.5 GB	Q8_0	Άνετο
347 tok/s 208–556 · χαμηλή εμπιστοσύνη	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.5 GB	Q8_0	Άνετο
340 tok/s 204–544 · χαμηλή εμπιστοσύνη	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.5 GB	Q8_0	Άνετο
332 tok/s 199–532 · χαμηλή εμπιστοσύνη	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.5 GB	Q8_0	Άνετο
332 tok/s 199–532 · χαμηλή εμπιστοσύνη	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.5 GB	Q8_0	Άνετο
332 tok/s 199–532 · χαμηλή εμπιστοσύνη	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.5 GB	Q8_0	Άνετο
332 tok/s 199–532 · χαμηλή εμπιστοσύνη	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.5 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: Shanghai AI Lab,University of Sydney,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University,Krea AI
Τύπος οργανισμού: Academia,Academia,Academia,Academia,Industry
Χώρα: China, Australia, Hong Kong, United States of America
Δημοσιευμένο: 27 March 2025
Συγγραφείς: Qi Qin, Le Zhuo, Yi Xin, Ruoyi Du, Zhen Li, Bin Fu, Yiting Lu, Jiakang Yuan, Xinyue Li, Dongyang Liu, Xiangyang Zhu, Manyuan Zhang, Will Beddow, Erwann Millon, Victor Perez, Wenhai Wang, Conghui He, Bo Zhang, Xiaohong Liu, Hongsheng Li, Yu Qiao, Chang Xu, Peng Gao

Τι κάνει

Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.

τομέας: Image generation
Εργασία: Image generation, Text-to-image

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: 2.6B
Δεδομένα εκπαίδευσης: tokens

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: 4.8 × 10²¹ FLOP
Πώς ιδρύθηκε: Hardware

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 A100
Τσιπ-ώρες: 14,184

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: Alpha-VLLM

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: Lumina-Image 2.0: A Unified and Efficient Image Generative Framework
Τελευταία ενημέρωση: 28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν Lumina-Image-2.0

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 Lumina-Image-2.0

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

Tesla C1080

Μνήμη που απαιτείται

3.5 GB

Ταχύτερος

1,303 tok/s

Lumina-Image-2.0 φτάνει σε αριθμό παραμέτρων του 2.6B. 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: 818.

Ο ελάχιστος εξοπλισμός που λειτουργεί είναι Tesla C1080, με χωρητικότητα μνήμης 4 GB, τρέχοντας το σε μια συμπίεση του Q8_0 και παράγοντας περίπου 14.2 tokens ανά δευτερόλεπτο

Στην άλλη άκρη κάθεται B200, γεννά προσεγγιστικά 1,303 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Υπόβαθρο

Lumina-Image-2.0 δημοσιεύθηκε από Shanghai AI Lab,University of Sydney,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University,Krea AI, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια March 2025. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι academia,Academia,Academia,Academia,Industry.

Λειτουργεί στον τομέα της Image generation, και καταγράφεται ότι εκτελεί την εργασία του image generation, Text-to-image.

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. Στο Hugging Face δημοσιεύεται υπό την οργάνωση Alpha-VLLM.

Διαβάζοντας τα νούμερα απόδοσης

Η διάμεση τιμή είναι γύρω από 36.6 τόκεν ανά δευτερόλεπτο. Παραγωγή κειμένου ταχύτερα από το μεγαλύτερο μέρος των ανθρώπων το διαβάζουν. 778 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 εσωτερική του αρχιτεκτονική δεν είναι καταχωρημένη, οπότε η μνήμη προσεγγίζεται από τον αριθμό παραμέτρων και σημειώνεται αναλόγως. Αναμένετε η πραγματική τιμή να διαφέρει, περισσότερο σε μεγάλο πλαίσιο.

Τι χρειάστηκε για την κατασκευή του

Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 4.8 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA A100. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για Lumina-Image-2.0

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

Αρχίστε από αυτό που πραγματικά χρειάζεται, το οποίο είναι η απαίτηση του Lumina-Image-2.0, χρειάζεστε γύρω 3.5 GB σε συμπίεση ενός Q8_0. 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

Η συζήτηση καταναλώνει μνήμη επίσης, και μεγαλώνει καθώς προχωρά. Ρυθμίστε τον διακόπτη στο μήκος που αναμένετε, γιατί σε μεγάλο context μια κάρτα που χειρίζεται εύκολα σύντομες ερωτήσεις μπορεί να απορριφθεί από Lumina-Image-2.0.
03

Ορίστε ένα ποιοτικό κατώφλι

Κάθε κάρτα εκτελεί την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει, φτάνοντας σε μια συμπίεση του Q8_0 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 κατάταξη κατά τους αριθμούς ανά δευτερόλεπτο ακολουθεί την εύρος μνήμης αντί για τον αριθμό πυρήνων, για Lumina-Image-2.0. 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 1,303 τοκ/σ.
05

Διαβάστε την τελευταίο στήλη εφαρμογής

Μια σφιχτή εφαρμογή τρέχει, αλλά δεν αφήνει τίποτα ελεύθερο για μια μεγαλύτερη συζήτηση, στην περίπτωση του Lumina-Image-2.0. 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 όνομα κάρτας συνδέεται με τη δική της σελίδα, η οποία εκτελεί την ίδια υπολογιστική διαδικασία σε όλο τον κατάλογο μοντέλων. Μια κάρτα συνήθως αγοράζεται για περισσότερα από ένα μοντέλο, οπότε αξίζει να ρίξετε μια ματιά πριν από την αγορά για Lumina-Image-2.0.

Απαντήσεις

Lumina-Image-2.0 — κοινές ερωτήσεις

Lumina-Image-2.0— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 782–2,085 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.

Lumina-Image-2.0— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι Tesla C1080, με χωρητικότητα μνήμης 4 GB. Τρέχει το μοντέλο σε συμπίεση της Q8_0 χρησιμοποιώντας περίπου 3.5 GB, και παράγει περίπου 14.2 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 818.

Lumina-Image-2.0— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 1,303 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: 778.

Lumina-Image-2.0— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 3.5 GB σε συμπίεση Q8_0, 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.

Lumina-Image-2.0— 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 Q8_0, χρησιμοποιώντας περίπου 3.5 GB και παράγοντας περίπου 243 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Lumina-Image-2.0— 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 3.5 GB και παράγοντας περίπου 149 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Lumina-Image-2.0— 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 3.5 GB και παράγοντας περίπου 184 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Lumina-Image-2.0— 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 3.5 GB και παράγοντας περίπου 218 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Lumina-Image-2.0— 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.

Lumina-Image-2.0— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 2.6B. 2.6B. 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.

Lumina-Image-2.0— ποιος το δημιούργησε;

Δημοσιεύθηκε από Shanghai AI Lab,University of Sydney,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University,Krea AI, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως academia,Academia,Academia,Academia,Industry.

Lumina-Image-2.0— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε March 2025.

Lumina-Image-2.0— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Image generation, και καταγράφεται ως διαχείριση της εργασίας του image generation, Text-to-image. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.

Lumina-Image-2.0— πού μπορώ να το κατεβάσω;

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

Lumina-Image-2.0— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 4.8 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA A100. 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.

Lumina-Image-2.0— 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. Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

Lumina-Image-2.0— 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: 818. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

Lumina-Image-2.0— 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: 1. 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 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