Llama 3.1-405B calculadora TPS
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
818 tarjetas que tenemos especificaciones para
Tarjeta más pequeña que cabe
Radeon Instinct MI325X
256 GB · Q4_K_M · 11.3 tok/s
Tarjeta más rápida
B300
19.3 tok/s · 288 GB
¿Qué GPU pueden ejecutar? Llama 3.1-405B?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
4 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
19.3
tok/s
16–23 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 224.3 GB | Q4_K_M | Ajustado |
|
15.4
tok/s
9–25 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Ajustado |
|
15.4
tok/s
9–25 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Ajustado |
|
11.3
tok/s
7–18 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 224.3 GB | Q4_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
- Meta AI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 23 July 2024
- Autores
- Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…
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, Question answering, Code generation, Mathematical reasoning
- 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
- 405B
- Datos de entrenamiento
- 15,600,000,000,000 tokens
- Épocas
- 1
- Tamaño de lote
- 16,000,000
405B
15.6T tokens
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 3.8 × 10²⁵ FLOP
- Cómo se estableció
- Reported,Operation counting
- Post-training compute
- 9.4 × 10²² FLOP
Stated in paper. Also, 6 * 405B * 15.6T training tokens = 3.8e25
Section 4 gives detail about the post-training process. They do 6 rounds of post-training, using the model from the previous iteration in each successive round. In each round, they fine-tune a copy of the language model into a reward model (RM) using preference data, then use the reward model to do rejection sampling on human annotation prompts. Next they do supervised fine-tuning (SFT) on the rejection sampled data along with some synthetic data (8.5k to 9k steps per round). Next, they do Direc…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA H100 SXM5 80GB
- Chips utilizados
- 16,384
- Tiempo de reloj
- 2,142 hours (89.3 days)
- Utilización de hardware
- MFU 40.4%
- Consumo de energía
- 22.6 MW
- Costo de cómputo
- $52,885,434
Trained on 30.84M GPU hours (https://huggingface.co/blog/llama31) and used "up to 16K H100 GPU[s]" so training took at least 30.84M / 16k = 1927.5 hours or ~80 days. Section 3.3.4 gives reliability details over a 54 day period during training, for which they had "higher than 90% effective training time" 1927.5 / 0.9 = 2142 hours Probably, full training time is somewhat longer, since it sounds like there were periods where not all 16k H100s were running.
MFU ranges between 0.38 and 0.43 depending on the specific parallelism used; I assume the geometric mean: sqrt(0.38 * 0.43) = 0.4042
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
- Open (restricted use)
- Hugging Face
- meta-llama
Llama 3.1 model license: https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE must seek separate license if over 700m monthly users, acceptable use restrictions training code here: https://github.com/meta-llama/llama-recipes/blob/main/src/llama_recipes/utils/train_utils.py#L70
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- SOTA improvement,Training cost
- Confianza de registro
- Confident
High training compute, exceeds 4o and Claude 3.5 on some benchmarks: https://ai.meta.com/blog/meta-llama-3-1/
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- The Llama 3 Herd of Models
- Última actualización
- 28 November 2025
Los extremos
Las diez GPUs más rápidas que ejecutan Llama 3.1-405B
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 Llama 3.1-405B
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..
- 01 Radeon Instinct MI325X 256 GB · Necesita 224.3 GB · Q4_K_M · Ajustado 11.3 tok/s
- 02 B300 288 GB · Necesita 224.3 GB · Q4_K_M · Ajustado 19.3 tok/s
- 03 Radeon Instinct MI350X 288 GB · Necesita 224.3 GB · Q4_K_M · Ajustado 15.4 tok/s
- 04 Radeon Instinct MI355X 288 GB · Necesita 224.3 GB · Q4_K_M · Ajustado 15.4 tok/s
Qué significan los números
El lado de hardware
Mínima tarjeta
Radeon Instinct MI325X
Memoria necesaria
224.3 GB
Más rápido
19.3 tok/s
Llama 3.1-405B llega a un recuento de parámetros de 405B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 4.
En el extremo bajo, se maneja por Radeon Instinct MI325X, con una capacidad de memoria de 256 GB, ejecutándolo a una compresión de Q4_K_M y produciendo alrededor 11.3 tokens por segundo
En el otro extremo se encuentra B300, generando aproximadamente 19.3 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
Acerca de este modelo
Llama 3.1-405B fue publicado por Meta AI, en el país registrado como United States of America, durante July 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, Question answering, Code generation, Mathematical reasoning.
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 meta-llama.
Qué tan rápido corre, y por qué
El resultado mediano es alrededor de 15.4 tokens por segundo. Excediendo velocidad de lectura directamente: 4 de ellos.
Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.
Su disposición de atención está en nuestra base de datos, por lo que las cifras de VRAM se calculan exactamente en lugar de aproximarse.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 3.8 × 10²⁵ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 15,600,000,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement,Training cost.
Paso a paso
Cómo elegir una GPU para Llama 3.1-405B
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 Llama 3.1-405B, necesitando alrededor 224.3 GB a una compresión de Q4_K_M. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
-
02
Establece la longitud de contexto en la que trabajarás.
La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. Llama 3.1-405B.
-
03
Establecer un umbral de calidad
La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q4_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
Compara tokens por segundo, no especificaciones
El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para Llama 3.1-405B. 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 B300, en 19.3 tok/s
-
05
Lee la columna de ajuste al final
Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de Llama 3.1-405B. 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
Revisa la tarjeta del otro lado
Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. Llama 3.1-405B.
Respuestas
Llama 3.1-405B — preguntas comunes
Llama 3.1-405B— ¿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: 4. Así que una segunda tarjeta rara vez es la respuesta aquí.
Llama 3.1-405B— ¿Por qué difiere la cuantificación entre tarjetas?
Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
Llama 3.1-405B— ¿Qué tan precisas son estas estimaciones de velocidad?
Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 16–23 tok/s en B300. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
Llama 3.1-405B— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es Radeon Instinct MI325X, con una capacidad de memoria de 256 GB. Funciona el modelo a una compresión de Q4_K_M usando alrededor 224.3 GB, y produce aproximadamente 11.3 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 4.
Llama 3.1-405B— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B300, a aproximadamente 19.3 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: 4.
Llama 3.1-405B— ¿Cuánta VRAM necesita?
Necesita aproximadamente 224.3 GB a una compresión de Q4_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.
Llama 3.1-405B— ¿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.
Llama 3.1-405B— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 405B. 405B. 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.
Llama 3.1-405B— ¿Quién lo creó?
Fue publicado por Meta AI, basado en United States of America, una organización categorizada como industry.
Llama 3.1-405B— ¿cuándo fue lanzado?
Se publicó en July 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.
Llama 3.1-405B— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering, Code generation, Mathematical reasoning. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Llama 3.1-405B— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización meta-llama. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Llama 3.1-405B— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.8 × 10²⁵ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Llama 3.1-405B— ¿Puedo ejecutarlo si no cabe en mi GPU?
Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. El fallo más cercano que calculamos se queda corto por 51.5 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
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.