ruDalle: Kandinsky 3.0 calculadora TPS

Abre pesos Sber 11.9B 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

509 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Xeon Phi 5110P

8 GB · Q3_K_M · 20.0 tok/s

Tarjeta más rápida

B200

285 tok/s · 180 GB

¿Qué GPU pueden ejecutar? ruDalle: Kandinsky 3.0?

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
285 tok/s 171–456 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	13.4 GB	Q8_0	Cómodo
285 tok/s 171–456 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	13.4 GB	Q8_0	Cómodo
227 tok/s 136–364 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	13.4 GB	Q8_0	Cómodo
227 tok/s 136–364 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	13.4 GB	Q8_0	Cómodo
182 tok/s 109–291 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	13.4 GB	Q8_0	Cómodo
174 tok/s 104–278 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.4 GB	Q8_0	Cómodo
174 tok/s 104–278 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.4 GB	Q8_0	Cómodo
167 tok/s 100–267 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	13.4 GB	Q8_0	Cómodo
148 tok/s 89–237 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	13.4 GB	Q8_0	Cómodo
148 tok/s 89–237 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	13.4 GB	Q8_0	Cómodo
148 tok/s 89–237 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	13.4 GB	Q8_0	Cómodo
143 tok/s 86–229 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.5 GB	Q3_K_M	Ajustado
140 tok/s 84–224 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	13.4 GB	Q8_0	Cómodo
128 tok/s 77–205 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q4_K_M	Ajustado
120 tok/s 72–191 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.4 GB	Q8_0	Cómodo
120 tok/s 72–191 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	13.4 GB	Q8_0	Cómodo
120 tok/s 72–191 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	13.4 GB	Q8_0	Cómodo
120 tok/s 72–191 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.4 GB	Q8_0	Cómodo
120 tok/s 72–191 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	13.4 GB	Q8_0	Cómodo
91.1 tok/s 55–146 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	13.4 GB	Q8_0	Cómodo
91.1 tok/s 55–146 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	13.4 GB	Q8_0	Cómodo
75.9 tok/s 46–121 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	13.4 GB	Q8_0	Cómodo
74.3 tok/s 45–119 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	13.4 GB	Q8_0	Cómodo
73.8 tok/s 44–118 · baja confianza	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.5 GB	Q3_K_M	Ajustado
72.6 tok/s 44–116 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	13.4 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: Sber
Tipo de Organización: Industry,Government
País: Russia
Publicado: 11 December 2023
Autores: Vladimir Arkhipkin, Andrei Filatov, Viacheslav Vasilev, Anastasia Maltseva, Said Azizov, Igor Pavlov, Julia Agafonova, Andrey Kuznetsov, Denis Dimitrov

Lo que hace

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

Dominio: Image generation
Tarea: Text-to-image, Image generation

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: 11.9B
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: 2 × 10²⁰ 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 A100

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: ai-forever

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: Speculative

Fuentes

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

Referencia: KANDINSKY 3.0 TECHNICAL REPORT
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan ruDalle: Kandinsky 3.0

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 ruDalle: Kandinsky 3.0

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

6.5 GB

Más rápido

285 tok/s

ruDalle: Kandinsky 3.0 llega a un recuento de parámetros de 11.9B. 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 20.0 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 285 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

ruDalle: Kandinsky 3.0 fue publicado por Sber, en el país registrado como Russia, durante December 2023. Sale de una organización categorizada como industry,Government.

Funciona en el dominio de Image generation, y se registra como realizando la tarea de text-to-image, Image 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 ai-forever.

Qué tan rápido corre, y por qué

La mitad de las tarjetas que lo sostienen gestionan más de 20.9 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 455 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.

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.

Entrenamiento y procedencia

Producirlo requirió una aritmética que totaliza alrededor de 2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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 ruDalle: Kandinsky 3.0

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

Lee la cifra de MEMORIA primero

La tabla enumera cada tarjeta capaz de contener ruDalle: Kandinsky 3.0, necesitando alrededor 6.5 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Decide cuánto duran tus conversaciones.

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. ruDalle: Kandinsky 3.0.
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

Ordenar por velocidad para ver cómo se clasifican las tarjetas por ruDalle: Kandinsky 3.0. 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 285 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 ruDalle: Kandinsky 3.0. 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 página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de ruDalle: Kandinsky 3.0.

Respuestas

ruDalle: Kandinsky 3.0 — preguntas comunes

ruDalle: Kandinsky 3.0— ¿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: 509. Así que una segunda tarjeta rara vez es la respuesta aquí.

ruDalle: Kandinsky 3.0— ¿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.

ruDalle: Kandinsky 3.0— ¿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: 171–456 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.

ruDalle: Kandinsky 3.0— ¿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 6.5 GB, y produce aproximadamente 20.0 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 509.

ruDalle: Kandinsky 3.0— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 285 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: 455.

ruDalle: Kandinsky 3.0— ¿Cuánta VRAM necesita?

Necesita aproximadamente 6.5 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.

ruDalle: Kandinsky 3.0— ¿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 6.5 GB y generando aproximadamente 143 tokens por segundo. El ajuste es ajustado.

ruDalle: Kandinsky 3.0— ¿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 Q6_K, usando alrededor 10.7 GB y generando aproximadamente 47.2 tokens por segundo. El ajuste es ajustado.

ruDalle: Kandinsky 3.0— ¿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 13.4 GB y generando aproximadamente 40.2 tokens por segundo. El ajuste es ajustado.

ruDalle: Kandinsky 3.0— ¿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 13.4 GB y generando aproximadamente 47.7 tokens por segundo. El ajuste es cómodo.

ruDalle: Kandinsky 3.0— ¿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.

ruDalle: Kandinsky 3.0— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 11.9B. 11.9 billion parameters. 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.

ruDalle: Kandinsky 3.0— ¿Quién lo creó?

Fue publicado por Sber, basado en Russia, una organización categorizada como industry,Government.

ruDalle: Kandinsky 3.0— ¿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.

ruDalle: Kandinsky 3.0— ¿Para qué se utiliza?

Funciona en el dominio de Image generation, y se registra como manejando la tarea de text-to-image, Image generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

ruDalle: Kandinsky 3.0— ¿Dónde puedo descargarlo?

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

ruDalle: Kandinsky 3.0— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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.

ruDalle: Kandinsky 3.0— ¿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 2.5 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

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