CogAgent calculadora TPS

Abre pesos Tsinghua University,Z.ai (Zhipu AI) 18B parámetros December 2023

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

295 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

GeForce GTX 1080 Ti

11 GB · Q3_K_M · 26.1 tok/s

Tarjeta más rápida

B200

188 tok/s · 180 GB

¿Qué GPU pueden ejecutar? CogAgent?

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.

295 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
188 tok/s 113–301 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	20.0 GB	Q8_0	Cómodo
188 tok/s 113–301 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	20.0 GB	Q8_0	Cómodo
150 tok/s 90–241 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	20.0 GB	Q8_0	Cómodo
150 tok/s 90–241 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	20.0 GB	Q8_0	Cómodo
120 tok/s 72–192 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	20.0 GB	Q8_0	Cómodo
115 tok/s 69–184 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.0 GB	Q8_0	Cómodo
115 tok/s 69–184 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.0 GB	Q8_0	Cómodo
110 tok/s 66–176 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	20.0 GB	Q8_0	Cómodo
97.7 tok/s 59–156 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	20.0 GB	Q8_0	Cómodo
97.7 tok/s 59–156 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	20.0 GB	Q8_0	Cómodo
97.7 tok/s 59–156 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	20.0 GB	Q8_0	Cómodo
92.7 tok/s 56–148 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	20.0 GB	Q8_0	Cómodo
79.1 tok/s 47–126 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.0 GB	Q8_0	Cómodo
79.1 tok/s 47–126 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	20.0 GB	Q8_0	Cómodo
79.1 tok/s 47–126 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	20.0 GB	Q8_0	Cómodo
79.1 tok/s 47–126 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.0 GB	Q8_0	Cómodo
79.1 tok/s 47–126 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	20.0 GB	Q8_0	Cómodo
60.2 tok/s 36–96 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	20.0 GB	Q8_0	Cómodo
60.2 tok/s 36–96 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	20.0 GB	Q8_0	Cómodo
52.7 tok/s 32–84 · baja confianza	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.5 GB	IQ4_XS	Ajustado
52.7 tok/s 32–84 · baja confianza	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.5 GB	IQ4_XS	Ajustado
50.2 tok/s 30–80 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	20.0 GB	Q8_0	Cómodo
49.1 tok/s 29–79 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	20.0 GB	Q8_0	Cómodo
48.0 tok/s 29–77 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	20.0 GB	Q8_0	Cómodo
48.0 tok/s 29–77 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	20.0 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: Tsinghua University,Z.ai (Zhipu AI)
Tipo de Organización: Academia,Industry
País: China
Publicado: 14 December 2023
Autores: Wenyi Hong, Weihan Wang, Qingsong Lv, Jiazheng Xu, Wenmeng Yu, Junhui Ji, Yan Wang, Zihan Wang, Yuxuan Zhang, Juanzi Li, Bin Xu, Yuxiao Dong, Ming Ding, Jie Tang

Lo que hace

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

Dominio: Vision, Language
Tarea: Instruction interpretation, Visual question answering
Enfoque: Supervised
Modelo base: CogVLM-17B
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: 18B
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: 6.7 × 10²² 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 (restricted use)
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.

Por qué se rastrea: SOTA improvement
Confianza de registro: Likely
Citas: 731

Fuentes

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

Referencia: CogAgent: A Visual Language Model for GUI Agents
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan CogAgent

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 CogAgent

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

GeForce GTX 1080 Ti

Memoria necesaria

9.5 GB

Más rápido

188 tok/s

CogAgent llega a un recuento de parámetros de 18B. 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: 295.

La tarjeta más pequeña que lo sostiene es GeForce GTX 1080 Ti, con una capacidad de memoria de 11 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 26.1 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 188 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

CogAgent fue publicado por Tsinghua University,Z.ai (Zhipu AI), en el país registrado como China, durante December 2023. La organización editora está clasificada como academia,Industry.

Funciona en el dominio de Vision, Language, y se registra como realizando la tarea de instruction interpretation, Visual question answering.

Su punto de partida fue un modelo base existente, CogVLM-17B. 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.

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 19.4 tokens por segundo. Excediendo velocidad de lectura directamente: 248 de ellos.

Siendo denso, lee todo de sí mismo por token, razón por la cual el orden según velocidad a continuación sigue tan de cerca el orden por ancho de banda de memoria.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Qué se necesitó para construirlo

Producirlo requirió una aritmética que totaliza alrededor de 6.7 × 10²² FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Su criterio de inclusión: sOTA improvement.

Paso a paso

Cómo elegir una GPU para CogAgent

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

Cada tarjeta aquí ha sido verificada contra CogAgent, necesitando alrededor 9.5 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

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. CogAgent.
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

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 CogAgent. 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 188 tok/s
05

Mira el margen, no solo la compatibilidad.

Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de CogAgent. 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.

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. CogAgent.

Respuestas

CogAgent — preguntas comunes

CogAgent— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 6.7 × 10²² 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.

CogAgent— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. El fallo más cercano que calculamos se queda corto por 2.6 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

CogAgent— ¿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: 295. Así que una segunda tarjeta rara vez es la respuesta aquí.

CogAgent— ¿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: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

CogAgent— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 113–301 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.

CogAgent— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es GeForce GTX 1080 Ti, con una capacidad de memoria de 11 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 9.5 GB, y produce aproximadamente 26.1 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 295.

CogAgent— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 188 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: 248.

CogAgent— ¿Cuánta VRAM necesita?

Necesita aproximadamente 9.5 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.

CogAgent— ¿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 IQ4_XS, usando alrededor 10.5 GB y generando aproximadamente 52.7 tokens por segundo. El ajuste es ajustado.

CogAgent— ¿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 Q5_K_M, usando alrededor 13.7 GB y generando aproximadamente 47.5 tokens por segundo. El ajuste es ajustado.

CogAgent— ¿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 20.0 GB y generando aproximadamente 31.5 tokens por segundo. El ajuste es ajustado.

CogAgent— ¿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.

CogAgent— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 18B. 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.

CogAgent— ¿Quién lo creó?

Fue publicado por Tsinghua University,Z.ai (Zhipu AI), basado en China, una organización categorizada como academia,Industry.

CogAgent— ¿cuándo fue lanzado?

Se publicó en December 2023. 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.

CogAgent— ¿Para qué se utiliza?

Funciona en el dominio de Vision, Language, y se registra como manejando la tarea de instruction interpretation, Visual question answering. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

CogAgent— ¿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.

Origen

Publicación original

Última actualización registrada 25 May 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