Qwen2-57B-A14B calculadora TPS

Abre pesos Alibaba 57B parámetros June 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 · 32.1 tok/s

Tarjeta más rápida

B200

242 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Qwen2-57B-A14B?

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
242 tok/s 145–387 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	57.8 GB	Q8_0	Cómodo
242 tok/s 145–387 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	57.8 GB	Q8_0	Cómodo
193 tok/s 116–309 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	57.8 GB	Q8_0	Cómodo
193 tok/s 116–309 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	57.8 GB	Q8_0	Cómodo
155 tok/s 93–247 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	57.8 GB	Q8_0	Cómodo
148 tok/s 89–237 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	57.8 GB	Q8_0	Cómodo
148 tok/s 89–237 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	57.8 GB	Q8_0	Cómodo
142 tok/s 85–227 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	57.8 GB	Q8_0	Cómodo
139 tok/s 83–222 · baja confianza	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	IQ4_XS	Ajustado
139 tok/s 83–222 · baja confianza	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	IQ4_XS	Ajustado
133 tok/s 80–213 · baja confianza	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	IQ4_XS	Ajustado
133 tok/s 80–213 · baja confianza	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	IQ4_XS	Ajustado
126 tok/s 75–201 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Cómodo
126 tok/s 75–201 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Cómodo
126 tok/s 75–201 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Cómodo
119 tok/s 72–191 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	57.8 GB	Q8_0	Cómodo
109 tok/s 65–174 · baja confianza	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	31.3 GB	Q4_K_M	Ajustado
109 tok/s 65–174 · baja confianza	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	31.3 GB	Q4_K_M	Ajustado
109 tok/s 65–174 · baja confianza	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	31.3 GB	Q4_K_M	Ajustado
102 tok/s 61–163 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	57.8 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Cómodo
101 tok/s 61–162 · baja confianza	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	37.9 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: Alibaba
Tipo de Organización: Industry
País: China
Publicado: 7 June 2024
Autores: An Yang, Baosong Yang, Binyuan Hui, Bo Zheng, Bowen Yu, Chang Zhou, Chengpeng Li, Chengyuan Li, Dayiheng Liu, Fei Huang, Guanting Dong, Haoran Wei, Huan Lin, Jialong Tang, Jialin Wang, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Ma, Jianxin Yang, Jin Xu, Jingren Zhou, Jinze Bai, Jinzheng He, Junyang Lin, Kai Dang, Keming Lu, Keqin Chen, Kexin Yang, Mei Li, Mingfeng Xue, Na Ni, Pei Zhang, Peng W…

Lo que hace

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

Dominio: Language
Tarea: Chat, Language modeling/generation, Question answering
Enfoque: Self-supervised learning

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: 57B
Datos de entrenamiento: 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 × 10²³ FLOP
Cómo se estableció: Operation counting

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 (unrestricted)
Código de entrenamiento: Unreleased
Hugging Face: Qwen

Cómo está clasificado

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

Probablemente por encima de 10²³ FLOP: Yes
Confianza de registro: Confident

Fuentes

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

Referencia: Hello Qwen2
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Qwen2-57B-A14B

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 Qwen2-57B-A14B

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

Lo que necesitas para ejecutar esto

Mínima tarjeta

Radeon PRO V710

Memoria necesaria

24.6 GB

Más rápido

242 tok/s

Qwen2-57B-A14B llega a un recuento de parámetros de 57B. 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 hardware mínimo que funciona es Radeon PRO V710, con una capacidad de memoria de 28 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 32.1 tokens por segundo

Gama alta es B200, generando aproximadamente 242 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

Qwen2-57B-A14B fue publicado por Alibaba, en el país registrado como China, durante June 2024. Sale de una organización categorizada como industry.

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

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización Qwen.

Qué tan rápido corre, y por qué

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 61.7 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 90 de ellos.

Este es un modelo de mezcla de expertos, que enruta cada token a través de solo parte de sí mismo. Por lo tanto, genera mucho más rápido de lo que su tamaño total sugiere — mientras aún necesita que cada parámetro resida en memoria, por lo que es rápido sin ser barato de mantener.

Debido a que la arquitectura está registrada, la columna de memoria se deriva en lugar de estimarse.

Entrenamiento y procedencia

El entrenamiento consumió alrededor de 3.8 × 10²³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Paso a paso

Cómo elegir una GPU para Qwen2-57B-A14B

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

Verifica lo que necesita antes de cualquier otra cosa.

Cada tarjeta aquí ha sido verificada contra Qwen2-57B-A14B, necesitando alrededor 24.6 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
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. Qwen2-57B-A14B.
03

Elige cuán lejos lo comprimirás.

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., 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

Compara tokens por segundo, no especificaciones

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Qwen2-57B-A14B. 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 242 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 Qwen2-57B-A14B. 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 Qwen2-57B-A14B.

Respuestas

Qwen2-57B-A14B — preguntas comunes

Qwen2-57B-A14B— ¿Dónde puedo descargarlo?

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

Qwen2-57B-A14B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 3.8 × 10²³ FLOP. 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.

Qwen2-57B-A14B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 9.7 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Qwen2-57B-A14B— ¿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.

Qwen2-57B-A14B— ¿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: 6. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Qwen2-57B-A14B— ¿Qué tan precisas son estas estimaciones de velocidad?

Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: 145–387 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.

Qwen2-57B-A14B— ¿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 24.6 GB, y produce aproximadamente 32.1 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 93.

Qwen2-57B-A14B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 242 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: 90.

Qwen2-57B-A14B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 24.6 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.

Qwen2-57B-A14B— ¿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.

Qwen2-57B-A14B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 57B. 57B parameters (table 1). 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.

Qwen2-57B-A14B— ¿Quién lo creó?

Fue publicado por Alibaba, basado en China, una organización categorizada como industry.

Qwen2-57B-A14B— ¿cuándo fue lanzado?

Se publicó en June 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.

Qwen2-57B-A14B— ¿Para qué se utiliza?

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

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