GRITLM 7B calculadora TPS

Abre pesos Contextual AI,The University of Hong Kong,Microsoft 7.2B parámetros April 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

589 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla K20c

5 GB · Q3_K_M · 27.9 tok/s

Tarjeta más rápida

B200

468 tok/s · 180 GB

¿Qué GPU pueden ejecutar? GRITLM 7B?

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.

589 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
468 tok/s 281–749 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.5 GB	Q8_0	Cómodo
468 tok/s 281–749 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.5 GB	Q8_0	Cómodo
374 tok/s 224–598 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.5 GB	Q8_0	Cómodo
374 tok/s 224–598 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.5 GB	Q8_0	Cómodo
299 tok/s 179–478 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.5 GB	Q8_0	Cómodo
286 tok/s 172–458 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.5 GB	Q8_0	Cómodo
286 tok/s 172–458 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.5 GB	Q8_0	Cómodo
274 tok/s 164–438 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.5 GB	Q8_0	Cómodo
243 tok/s 146–389 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.5 GB	Q8_0	Cómodo
243 tok/s 146–389 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.5 GB	Q8_0	Cómodo
243 tok/s 146–389 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.5 GB	Q8_0	Cómodo
230 tok/s 138–369 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.5 GB	Q8_0	Cómodo
197 tok/s 118–314 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.5 GB	Q8_0	Cómodo
197 tok/s 118–314 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.5 GB	Q8_0	Cómodo
197 tok/s 118–314 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.5 GB	Q8_0	Cómodo
197 tok/s 118–314 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.5 GB	Q8_0	Cómodo
197 tok/s 118–314 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.5 GB	Q8_0	Cómodo
150 tok/s 90–239 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.5 GB	Q8_0	Cómodo
150 tok/s 90–239 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.5 GB	Q8_0	Cómodo
127 tok/s 76–203 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.8 GB	Q6_K	Ajustado
125 tok/s 75–200 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.5 GB	Q8_0	Cómodo
122 tok/s 73–195 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.5 GB	Q8_0	Cómodo
119 tok/s 72–191 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.5 GB	Q8_0	Cómodo
119 tok/s 72–191 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.5 GB	Q8_0	Cómodo
119 tok/s 72–191 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.5 GB	Q8_0	Cómodo

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: Contextual AI,The University of Hong Kong,Microsoft
Tipo de Organización: Industry,Academia,Industry
País: United States of America, Hong Kong
Publicado: 17 April 2024
Autores: Niklas Muennighoff, Hongjin Su, Liang Wang, Nan Yang, Furu Wei, Tao Yu, Amanpreet Singh, Douwe Kiela

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, Quantitative reasoning
Modelo base: Mistral 7B
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: 7.2B
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.

Cómo se estableció: Hardware
Computación de ajuste fino: 1 × 10²¹ FLOP

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 A100 SXM4 80 GB
Chips utilizados: 8
Horas de chip: 3,072
Tiempo de reloj: 48 hours
Consumo de energía: 6.3 kW

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: Open source

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: Generative Representational Instruction Tuning
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan GRITLM 7B

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 GRITLM 7B

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 se necesita para ejecutar este modelo

Mínima tarjeta

Tesla K20c

Memoria necesaria

4.2 GB

Más rápido

468 tok/s

GRITLM 7B llega a un recuento de parámetros de 7.2B. Eso es lo suficientemente pequeño como para que el hardware rara vez sea el obstáculo, incluso en tarjetas de varios años. El número de tarjetas que rastreamos que pueden ejecutarlo: 589.

La tarjeta más pequeña que lo sostiene es Tesla K20c, con una capacidad de memoria de 5 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 27.9 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 468 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

GRITLM 7B fue publicado por Contextual AI,The University of Hong Kong,Microsoft, en el país registrado como United States of America, durante April 2024. La organización editora está clasificada como industry,Academia,Industry.

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

Se basa en Mistral 7B. Esa es la forma habitual en que se produce un modelo especializado.

Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible.

Qué decide la velocidad

El resultado mediano es alrededor de 25.3 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 559 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.

Sin el diseño de atención en nuestro archivo, la columna de memoria es una aproximación. Es lo suficientemente cercana como para elegir hardware, y menos confiable en contexto largo.

Paso a paso

Cómo elegir una GPU para GRITLM 7B

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

Comienza desde la columna de memoria

La tabla enumera cada tarjeta capaz de contener GRITLM 7B, necesitando alrededor 4.2 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

Ajusta el contexto a tu uso actual

Las conversaciones más largas consumen memoria además de lo que los pesos necesitan. Mueve el control deslizante a tu longitud de trabajo real antes de confiar en cualquier fila para GRITLM 7B.
03

Decide cuánto compresión aceptarás

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

Clasifica por rendimiento en lugar de la hoja de especificaciones.

Ordenar por velocidad para ver cómo se clasifican las tarjetas por GRITLM 7B. 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 468 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 GRITLM 7B. 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

Mira qué más ejecuta esa tarjeta

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. GRITLM 7B.

Respuestas

GRITLM 7B — preguntas comunes

GRITLM 7B— ¿Quién lo creó?

Fue publicado por Contextual AI,The University of Hong Kong,Microsoft, basado en United States of America, una organización categorizada como industry,Academia,Industry.

GRITLM 7B— ¿cuándo fue lanzado?

Se publicó en April 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.

GRITLM 7B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering, Quantitative reasoning. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.

GRITLM 7B— ¿Dónde puedo descargarlo?

Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.

GRITLM 7B— ¿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 1.5 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

GRITLM 7B— ¿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: 589. Así que una segunda tarjeta rara vez es la respuesta aquí.

GRITLM 7B— ¿Por qué difiere la cuantificación entre tarjetas?

Debido a que la capacidad varía, también varía cuán difícil tiene que ser exprimido. El número de niveles distintos en la tabla de arriba: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

GRITLM 7B— ¿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: 281–749 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.

GRITLM 7B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla K20c, con una capacidad de memoria de 5 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 4.2 GB, y produce aproximadamente 27.9 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 589.

GRITLM 7B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 468 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: 559.

GRITLM 7B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 4.2 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.

GRITLM 7B— ¿Puedo ejecutarlo en una GPU que tiene? 8 GB?

Sí. La tarjeta CMP 170HX 8 GB, sosteniendo 8 GB, lo ejecuta a una compresión de Q6_K, usando alrededor 6.8 GB y generando aproximadamente 127 tokens por segundo. El ajuste es ajustado.

GRITLM 7B— ¿Puedo ejecutarlo en una GPU que tiene? 12 GB?

Sí. La tarjeta GeForce RTX 3080 Ti, sosteniendo 12 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 8.5 GB y generando aproximadamente 53.4 tokens por segundo. El ajuste es cómodo.

GRITLM 7B— ¿Puedo ejecutarlo en una GPU que tiene? 16 GB?

Sí. La tarjeta Tesla V100 SXM2 16 GB, sosteniendo 16 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 8.5 GB y generando aproximadamente 66.1 tokens por segundo. El ajuste es cómodo.

GRITLM 7B— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?

Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 8.5 GB y generando aproximadamente 78.4 tokens por segundo. El ajuste es cómodo.

GRITLM 7B— ¿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.

GRITLM 7B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 7.2B. 7.24B. 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.

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