Jamba 1.5 Mini calculadora TPS

Abre pesos AI21 Labs 52B parámetros August 2024

Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..

Calculado para este modelo

93 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Radeon PRO V710

28 GB · Q3_K_M · 37.4 tok/s

Tarjeta más rápida

B200

282 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Jamba 1.5 Mini?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

93 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
282 tok/s 169–452 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	55.4 GB	Q8_0	Cómodo
282 tok/s 169–452 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	55.4 GB	Q8_0	Cómodo
225 tok/s 135–361 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	55.4 GB	Q8_0	Cómodo
225 tok/s 135–361 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	55.4 GB	Q8_0	Cómodo
180 tok/s 108–289 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	55.4 GB	Q8_0	Cómodo
173 tok/s 104–276 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	55.4 GB	Q8_0	Cómodo
173 tok/s 104–276 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	55.4 GB	Q8_0	Cómodo
165 tok/s 99–264 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	55.4 GB	Q8_0	Cómodo
162 tok/s 97–259 · baja confianza	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.1 GB	IQ4_XS	Ajustado
162 tok/s 97–259 · baja confianza	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.1 GB	IQ4_XS	Ajustado
155 tok/s 93–248 · baja confianza	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.1 GB	IQ4_XS	Ajustado
155 tok/s 93–248 · baja confianza	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.1 GB	IQ4_XS	Ajustado
147 tok/s 88–235 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	55.4 GB	Q8_0	Cómodo
147 tok/s 88–235 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	55.4 GB	Q8_0	Cómodo
147 tok/s 88–235 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	55.4 GB	Q8_0	Cómodo
139 tok/s 83–222 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	55.4 GB	Q8_0	Cómodo
127 tok/s 76–203 · baja confianza	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	31.2 GB	Q4_K_M	Ajustado
127 tok/s 76–203 · baja confianza	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	31.2 GB	Q4_K_M	Ajustado
127 tok/s 76–203 · baja confianza	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	31.2 GB	Q4_K_M	Ajustado
119 tok/s 71–190 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	55.4 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	55.4 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	55.4 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	55.4 GB	Q8_0	Cómodo
119 tok/s 71–190 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	55.4 GB	Q8_0	Cómodo
118 tok/s 71–189 · baja confianza	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	37.2 GB	Q5_K_M	Ajustado

Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..

En registro

especificación completa

Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..

Origen

Quién construyó este modelo, dónde, y cuándo fue publicado.

Organización: AI21 Labs
Tipo de Organización: Industry
País: Israel
Publicado: 22 August 2024
Autores: Barak Lenz, Alan Arazi, Amir Bergman, Avshalom Manevich, Barak Peleg, Ben Aviram, Chen Almagor, Clara Fridman, Dan Padnos, Daniel Gissin, Daniel Jannai, Dor Muhlgay, Dor Zimberg, Edden M Gerber, Elad Dolev, Eran Krakovsky, Erez Safahi, Erez Schwartz, Gal Cohen, Gal Shachaf, Haim Rozenblum, Hofit Bata, Ido Blass, Inbal Magar, Itay Dalmedigos, Jhonathan Osin, Julie Fadlon, Maria Rozman, Matan Danos,…

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Language
Tarea: Language modeling/generation, Translation, Question answering
Formato numérico: BF16

Tamaño

Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.

parámetros: 52B
Datos de entrenamiento: tokens

Disponibilidad

Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.

Pesos: Open — downloadable
Acceso al modelo: Open weights (restricted use)
Código de entrenamiento: Unreleased
Hugging Face: ai21labs

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Confianza de registro: Confident

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: Jamba-1.5: Hybrid Transformer-Mamba Models at Scale
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Jamba 1.5 Mini

Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..

Las GPUs más pequeñas que aún funcionan Jamba 1.5 Mini

La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..

Qué significan los números

Requisitos de hardware en la práctica

Mínima tarjeta

Radeon PRO V710

Memoria necesaria

25.1 GB

Más rápido

282 tok/s

Jamba 1.5 Mini llega a un recuento de parámetros de 52B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 93.

El punto de entrada es Radeon PRO V710, con una capacidad de memoria de 28 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 37.4 tokens por segundo

El resultado más rápido proviene de B200, generando aproximadamente 282 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

Jamba 1.5 Mini fue publicado por AI21 Labs, en el país registrado como Israel, durante August 2024. La organización editora está clasificada como industry.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Translation, Question answering.

El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener. En Hugging Face está publicado bajo la organización ai21labs.

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 72.0 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 89 de ellos.

Porque enruta cada token a través de un subconjunto de sus weights, produce texto al ritmo de un modelo mucho más pequeño. El inconveniente es la memory: toda tiene que caber, así que la velocidad es una bonificación en lugar de un descuento en hardware.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Paso a paso

Cómo elegir una GPU para Jamba 1.5 Mini

La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..

01

Lee la cifra de MEMORIA primero

Cada tarjeta aquí ha sido verificada contra Jamba 1.5 Mini, necesitando alrededor 25.1 GB a una compresión de Q3_K_M. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Decide cuánto duran tus conversaciones.

Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. Jamba 1.5 Mini.
03

Decide cuánto compresión aceptarás

Cada tarjeta ejecuta la copia menos comprimida que puede contener., alcanzando una compresión de Q3_K_M en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
04

Ordenar por velocidad

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Jamba 1.5 Mini. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 282 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Jamba 1.5 Mini. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
06

Abre la tarjeta que has elegido.

Cada nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para Jamba 1.5 Mini.

Respuestas

Jamba 1.5 Mini — preguntas comunes

Jamba 1.5 Mini— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 52B. 12B active/52B total. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.

Jamba 1.5 Mini— ¿Quién lo creó?

Fue publicado por AI21 Labs, basado en Israel, una organización categorizada como industry.

Jamba 1.5 Mini— ¿cuándo fue lanzado?

Se publicó en August 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.

Jamba 1.5 Mini— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Translation, Question answering. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Jamba 1.5 Mini— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización ai21labs. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

Jamba 1.5 Mini— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. El fallo más cercano que calculamos se queda corto por 9.6 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Jamba 1.5 Mini— ¿Correrían dos GPUS más rápido?

Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 93. Así que una segunda tarjeta rara vez es la respuesta aquí.

Jamba 1.5 Mini— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Jamba 1.5 Mini— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 169–452 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

Jamba 1.5 Mini— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Radeon PRO V710, con una capacidad de memoria de 28 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 25.1 GB, y produce aproximadamente 37.4 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 93.

Jamba 1.5 Mini— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 282 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 89.

Jamba 1.5 Mini— ¿Cuánta VRAM necesita?

Necesita aproximadamente 25.1 GB a una compresión de Q3_K_M, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.

Jamba 1.5 Mini— ¿Es de código abierto?

Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.

Origen

Publicación original

Última actualización registrada 28 November 2025

La otra dirección

¿Mirándolo desde el otro lado?

Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.

Todos los modelos de IA