DBRX calculadora TPS

Abre pesos Databricks 132B parámetros March 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

38 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 42.5 tok/s

Tarjeta más rápida

H100 NVL 94 GB

107 tok/s · 94 GB

¿Qué GPU pueden ejecutar? DBRX?

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.

38 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
107 tok/s 64–171 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	79.5 GB	Q4_K_M	Ajustado
97.1 tok/s 58–155 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	71.8 GB	IQ4_XS	Ajustado
97.1 tok/s 58–155 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	71.8 GB	IQ4_XS	Ajustado
94.1 tok/s 56–151 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	141.0 GB	Q8_0	Ajustado
94.1 tok/s 56–151 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	141.0 GB	Q8_0	Cómodo
91.3 tok/s 55–146 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	79.5 GB	Q4_K_M	Ajustado
91.3 tok/s 55–146 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	79.5 GB	Q4_K_M	Ajustado
91.3 tok/s 55–146 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	79.5 GB	Q4_K_M	Ajustado
87.3 tok/s 52–140 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	110.3 GB	Q6_K	Ajustado
83.6 tok/s 50–134 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	110.3 GB	Q6_K	Ajustado
83.6 tok/s 50–134 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	110.3 GB	Q6_K	Ajustado
75.2 tok/s 45–120 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	141.0 GB	Q8_0	Cómodo
75.2 tok/s 45–120 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	141.0 GB	Q8_0	Cómodo
71.0 tok/s 43–114 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	110.3 GB	Q6_K	Ajustado
58.9 tok/s 35–94 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	71.8 GB	IQ4_XS	Ajustado
58.9 tok/s 35–94 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	71.8 GB	IQ4_XS	Ajustado
58.9 tok/s 35–94 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	71.8 GB	IQ4_XS	Ajustado
58.9 tok/s 35–94 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	71.8 GB	IQ4_XS	Ajustado
58.9 tok/s 35–94 · baja confianza	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	71.8 GB	IQ4_XS	Ajustado
58.9 tok/s 35–94 · baja confianza	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	71.8 GB	IQ4_XS	Ajustado
56.0 tok/s 34–90 · baja confianza	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	71.8 GB	IQ4_XS	Ajustado
56.0 tok/s 34–90 · baja confianza	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	71.8 GB	IQ4_XS	Ajustado
55.1 tok/s 33–88 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	141.0 GB	Q8_0	Cómodo
48.9 tok/s 29–78 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	141.0 GB	Q8_0	Cómodo
48.9 tok/s 29–78 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	141.0 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: Databricks
Tipo de Organización: Industry
País: United States of America
Publicado: 27 March 2024
Autores: Mosaic Research Team

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, Code generation
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: 132B
Datos de entrenamiento: 12,000,000,000,000 tokens
Épocas: 1

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: 2.6 × 10²⁴ FLOP
Cómo se estableció: Operation counting

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

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: databricks

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
Por qué se rastrea: Training cost
Confianza de registro: Confident

Fuentes

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

Referencia: Introducing DBRX: A New State-of-the-Art Open LLM
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan DBRX

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 DBRX

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

RTX PRO 5000 72 GB Blackwell

Memoria necesaria

64.2 GB

Más rápido

107 tok/s

DBRX llega a un recuento de parámetros de 132B. Eso lo coloca por encima del hardware de consumo, en el rango donde se compra una tarjeta para este propósito en lugar de ser reutilizada para ello. El número de tarjetas que seguimos que pueden contenerlo: 38.

La tarjeta más pequeña que lo sostiene es RTX PRO 5000 72 GB Blackwell, con una capacidad de memoria de 72 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 42.5 tokens por segundo

En el otro extremo se encuentra H100 NVL 94 GB, generando aproximadamente 107 tokens por segundo en la fuerza de un ancho de banda de memoria de 3,940 GB/s.

Qué es este modelo

DBRX fue publicado por Databricks, en el país registrado como United States of America, durante March 2024. La categoría en la que se encuentra el editor es industry.

Funciona en el dominio de Language, y se registra como realizando la tarea de chat, Code generation.

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 databricks.

Qué decide la velocidad

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 58.9 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 36 de ellos.

El enrutamiento de mezcla de expertos es la razón por la cual las velocidades aquí parecen altas para la cantidad de parámetros. Solo se lee una fracción por token, pero todo tiene que ser cargado.

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 2.6 × 10²⁴ 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 12,000,000,000,000 tokens de texto

Su criterio de inclusión: training cost.

Paso a paso

Cómo elegir una GPU para DBRX

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

Empieza desde lo que realmente necesita, que es el requerimiento de DBRX, necesitando alrededor 64.2 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. DBRX.
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 DBRX. 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 H100 NVL 94 GB, en 107 tok/s
05

Lee la columna de ajuste al final

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de DBRX. 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

Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de DBRX.

Respuestas

DBRX — preguntas comunes

DBRX— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es H100 NVL 94 GB, a aproximadamente 107 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: 36.

DBRX— ¿Cuánta VRAM necesita?

Necesita aproximadamente 64.2 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.

DBRX— ¿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.

DBRX— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 132B. 132B mixture of experts. 36B parameters active per inference. 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.

DBRX— ¿Quién lo creó?

Fue publicado por Databricks, basado en United States of America, una organización categorizada como industry.

DBRX— ¿cuándo fue lanzado?

Se publicó en March 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.

DBRX— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de chat, Code 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.

DBRX— ¿Dónde puedo descargarlo?

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

DBRX— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 2.6 × 10²⁴ 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.

DBRX— ¿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 21.9 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

DBRX— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 38. Así que una segunda tarjeta rara vez es la respuesta aquí.

DBRX— ¿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.

DBRX— ¿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: 64–171 tok/s en H100 NVL 94 GB. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

DBRX— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es RTX PRO 5000 72 GB Blackwell, con una capacidad de memoria de 72 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 64.2 GB, y produce aproximadamente 42.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 38.

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