OpenThaiGPT v1.0.0 (13B) calculadora TPS

Abre pesos Mahidol University,AI Entrepreneurs Association of Thailand 13.1B 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

509 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Xeon Phi 5110P

8 GB · Q3_K_M · 18.2 tok/s

Tarjeta más rápida

B200

259 tok/s · 180 GB

¿Qué GPU pueden ejecutar? OpenThaiGPT v1.0.0 (13B)?

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.

509 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
259 tok/s 155–414 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.7 GB	Q8_0	Cómodo
259 tok/s 155–414 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.7 GB	Q8_0	Cómodo
207 tok/s 124–330 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Cómodo
207 tok/s 124–330 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Cómodo
165 tok/s 99–264 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.7 GB	Q8_0	Cómodo
158 tok/s 95–253 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Cómodo
158 tok/s 95–253 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Cómodo
151 tok/s 91–242 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.7 GB	Q8_0	Cómodo
134 tok/s 81–215 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Cómodo
134 tok/s 81–215 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Cómodo
134 tok/s 81–215 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Cómodo
130 tok/s 78–208 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.1 GB	Q3_K_M	Ajustado
127 tok/s 76–204 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.7 GB	Q8_0	Cómodo
116 tok/s 70–186 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q4_K_M	Ajustado
109 tok/s 65–174 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Cómodo
109 tok/s 65–174 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.7 GB	Q8_0	Cómodo
109 tok/s 65–174 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Cómodo
109 tok/s 65–174 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Cómodo
109 tok/s 65–174 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Cómodo
82.7 tok/s 50–132 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Cómodo
82.7 tok/s 50–132 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Cómodo
68.9 tok/s 41–110 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.7 GB	Q8_0	Cómodo
67.5 tok/s 40–108 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.7 GB	Q8_0	Cómodo
67.0 tok/s 40–107 · baja confianza	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	7.1 GB	Q3_K_M	Ajustado
66.0 tok/s 40–106 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.7 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: Mahidol University,AI Entrepreneurs Association of Thailand
Tipo de Organización: Academia
País: Thailand
Publicado: 8 April 2024
Autores: Kobkrit Viriyayudhakorn, Sumeth Yuenyong, Thaweewat Rugsujarit, Jillaphat Jaroenkantasima, Norapat Buppodom, Koravich Sangkaew, Peerawat Rojratchadakorn, Surapon Nonesung, Chanon Utupon, Sadhis Wongprayoon, Nucharee Thongthungwong, Chawakorn Phiantham, Patteera Triamamornwooth. Nattarika Juntarapaoraya, Kriangkrai Saetan, Pitikorn Khlaisamniang

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, Retrieval-augmented generation
Modelo base: Llama 2-13B

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: 13.1B
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: 5.1 × 10²¹ FLOP
Cómo se estableció: Operation counting
Computación de ajuste fino: 7.9 × 10¹⁶ FLOP

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: openthaigpt

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: OpenThaiGPT 13b 1.0.0
Última actualización: 11 February 2026

Los extremos

Las diez GPUs más rápidas que ejecutan OpenThaiGPT v1.0.0 (13B)

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 OpenThaiGPT v1.0.0 (13B)

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

El lado de hardware

Mínima tarjeta

Xeon Phi 5110P

Memoria necesaria

7.1 GB

Más rápido

259 tok/s

OpenThaiGPT v1.0.0 (13B) llega a un recuento de parámetros de 13.1B. 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: 509.

En el extremo bajo, se maneja por Xeon Phi 5110P, con una capacidad de memoria de 8 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 18.2 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 259 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

OpenThaiGPT v1.0.0 (13B) fue publicado por Mahidol University,AI Entrepreneurs Association of Thailand, en el país registrado como Thailand, durante April 2024. La organización editora está clasificada como academia.

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

Se basa en Llama 2-13B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

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. En Hugging Face está publicado bajo la organización openthaigpt.

Qué tan rápido corre, y por qué

El resultado mediano es alrededor de 21.1 tokens por segundo. Excediendo velocidad de lectura directamente: 459 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.

La memoria aquí se estima a partir del tamaño en lugar de calcularse a partir de la arquitectura, que no se registra para este modelo — los números son indicativos en lugar de exactos.

Cómo fue entrenado

El entrenamiento consumió alrededor de 5.1 × 10²¹ 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 OpenThaiGPT v1.0.0 (13B)

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 OpenThaiGPT v1.0.0 (13B), necesitando alrededor 7.1 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Ajusta el contexto a tu uso actual

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. OpenThaiGPT v1.0.0 (13B).
03

Decide cuánto compresión aceptarás

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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 OpenThaiGPT v1.0.0 (13B). 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 259 tok/s
05

Mira el margen, no solo la compatibilidad.

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de OpenThaiGPT v1.0.0 (13B). 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

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 OpenThaiGPT v1.0.0 (13B).

Respuestas

OpenThaiGPT v1.0.0 (13B) — preguntas comunes

OpenThaiGPT v1.0.0 (13B)— ¿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.

OpenThaiGPT v1.0.0 (13B)— ¿Para qué se utiliza?

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

OpenThaiGPT v1.0.0 (13B)— ¿Dónde puedo descargarlo?

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

OpenThaiGPT v1.0.0 (13B)— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 5.1 × 10²¹ 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.

OpenThaiGPT v1.0.0 (13B)— ¿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 3.2 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

OpenThaiGPT v1.0.0 (13B)— ¿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: 509. Así que una segunda tarjeta rara vez es la respuesta aquí.

OpenThaiGPT v1.0.0 (13B)— ¿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: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

OpenThaiGPT v1.0.0 (13B)— ¿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: 155–414 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.

OpenThaiGPT v1.0.0 (13B)— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Xeon Phi 5110P, con una capacidad de memoria de 8 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 7.1 GB, y produce aproximadamente 18.2 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 509.

OpenThaiGPT v1.0.0 (13B)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 259 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: 459.

OpenThaiGPT v1.0.0 (13B)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 7.1 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.

OpenThaiGPT v1.0.0 (13B)— ¿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 Q3_K_M, usando alrededor 7.1 GB y generando aproximadamente 130 tokens por segundo. El ajuste es ajustado.

OpenThaiGPT v1.0.0 (13B)— ¿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 Q5_K_M, usando alrededor 10.1 GB y generando aproximadamente 52.7 tokens por segundo. El ajuste es ajustado.

OpenThaiGPT v1.0.0 (13B)— ¿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 Q6_K, usando alrededor 11.7 GB y generando aproximadamente 53.1 tokens por segundo. El ajuste es cómodo.

OpenThaiGPT v1.0.0 (13B)— ¿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 14.7 GB y generando aproximadamente 43.3 tokens por segundo. El ajuste es cómodo.

OpenThaiGPT v1.0.0 (13B)— ¿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.

OpenThaiGPT v1.0.0 (13B)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 13.1B. https://huggingface.co/openthaigpt/openthaigpt-1.0.0-13b-chat. 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.

OpenThaiGPT v1.0.0 (13B)— ¿Quién lo creó?

Fue publicado por Mahidol University,AI Entrepreneurs Association of Thailand, basado en Thailand, una organización categorizada como academia.

Origen

Publicación original

Última actualización registrada 11 February 2026

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