OmniFusion-7B (InternViT-6B-448px V1-2) calculadora TPS

Abre pesos AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology 12.5B parámetros November 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 · 19.0 tok/s

Tarjeta más rápida

B200

270 tok/s · 180 GB

¿Qué GPU pueden ejecutar? OmniFusion-7B (InternViT-6B-448px V1-2)?

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
270 tok/s 162–432 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.1 GB	Q8_0	Cómodo
270 tok/s 162–432 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.1 GB	Q8_0	Cómodo
216 tok/s 129–345 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Cómodo
216 tok/s 129–345 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Cómodo
173 tok/s 104–276 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.1 GB	Q8_0	Cómodo
165 tok/s 99–264 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Cómodo
165 tok/s 99–264 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Cómodo
158 tok/s 95–253 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.1 GB	Q8_0	Cómodo
140 tok/s 84–224 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Cómodo
140 tok/s 84–224 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Cómodo
140 tok/s 84–224 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Cómodo
136 tok/s 81–217 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.8 GB	Q3_K_M	Ajustado
133 tok/s 80–213 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.1 GB	Q8_0	Cómodo
122 tok/s 73–195 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q4_K_M	Ajustado
113 tok/s 68–182 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Cómodo
113 tok/s 68–182 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.1 GB	Q8_0	Cómodo
113 tok/s 68–182 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Cómodo
113 tok/s 68–182 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Cómodo
113 tok/s 68–182 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Cómodo
86.4 tok/s 52–138 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Cómodo
86.4 tok/s 52–138 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Cómodo
72.0 tok/s 43–115 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.1 GB	Q8_0	Cómodo
70.5 tok/s 42–113 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.1 GB	Q8_0	Cómodo
70.0 tok/s 42–112 · baja confianza	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.8 GB	Q3_K_M	Ajustado
68.9 tok/s 41–110 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.1 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: AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology
Tipo de Organización: Research collective,Industry,Government,Academia
País: Russia
Publicado: 22 November 2023
Autores: Elizaveta Goncharova, Anton Razzhigaev, Matvey Mikhalchuk, Maxim Kurkin, Irina Abdullaeva, Matvey Skripkin, Ivan Oseledets, Denis Dimitrov, Andrey Kuznetsov

Lo que hace

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

Dominio: Multimodal, Vision, Language
Tarea: Visual question answering, Language modeling/generation, Question answering
Modelo base: InternViT-6B,GigaChat-7B

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: 12.5B
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.

Computación de ajuste fino: 4 × 10¹⁶ 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
Chips utilizados: 8
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
Hugging Face: AIRI-Institute

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
Citas: 7

Fuentes

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

Referencia: OmniFusion Technical Report
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2)

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

Requisitos de hardware en la práctica

Mínima tarjeta

Xeon Phi 5110P

Memoria necesaria

6.8 GB

Más rápido

270 tok/s

OmniFusion-7B (InternViT-6B-448px V1-2) llega a un recuento de parámetros de 12.5B. 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.

El punto de entrada es Xeon Phi 5110P, con una capacidad de memoria de 8 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 19.0 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 270 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

OmniFusion-7B (InternViT-6B-448px V1-2) fue publicado por AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, en el país registrado como Russia, durante November 2023. La organización editora está clasificada como research collective,Industry,Government,Academia.

Funciona en el dominio de Multimodal, Vision, Language, y se registra como realizando la tarea de visual question answering, Language modeling/generation, Question answering.

Su punto de partida fue un modelo base existente, InternViT-6B,GigaChat-7B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización AIRI-Institute.

Qué decide la velocidad

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 20.3 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 451 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.

Paso a paso

Cómo elegir una GPU para OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2), necesitando alrededor 6.8 GB a una compresión de Q3_K_M. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
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 OmniFusion-7B (InternViT-6B-448px V1-2).
03

Establecer un umbral de calidad

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 OmniFusion-7B (InternViT-6B-448px V1-2). 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 270 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 OmniFusion-7B (InternViT-6B-448px V1-2). 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 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 OmniFusion-7B (InternViT-6B-448px V1-2).

Respuestas

OmniFusion-7B (InternViT-6B-448px V1-2) — preguntas comunes

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Qué tan precisas son estas estimaciones de velocidad?

Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 162–432 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 6.8 GB, y produce aproximadamente 19.0 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 509.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 270 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: 451.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 6.8 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 6.8 GB y generando aproximadamente 136 tokens por segundo. El ajuste es ajustado.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 9.7 GB y generando aproximadamente 55.0 tokens por segundo. El ajuste es ajustado.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 14.1 GB y generando aproximadamente 38.2 tokens por segundo. El ajuste es ajustado.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 14.1 GB y generando aproximadamente 45.3 tokens por segundo. El ajuste es cómodo.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 12.5B. The model uses InternViT-6B-448px V1-2 as the visual encoder, which undergoes pre-training, and GigaChat-7B as the LLM, which undergoes fine-tuning [1]. InternViT-6B-448px V1-2 has 5.54B parameters [2], and GigaChat-7B, being closed-source is assumed to have 7B parameters. 1. https://arxiv.org/pdf/2404.06212 2. https://huggingface.co/OpenGVLab/InternViT-6B-448px-V1-2. 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Quién lo creó?

Fue publicado por AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, basado en Russia, una organización categorizada como research collective,Industry,Government,Academia.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿cuándo fue lanzado?

Se publicó en November 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Para qué se utiliza?

Funciona en el dominio de Multimodal, Vision, Language, y se registra como manejando la tarea de visual question answering, Language modeling/generation, Question answering. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Dónde puedo descargarlo?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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 2.9 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿Correrían dos GPUS más rápido?

Dos tarjetas compran memoria en lugar de velocidad, lo cual solo importa si una tarjeta no puede contenerlo. El número que puede: 509. Así que una segunda tarjeta rara vez es la respuesta aquí.

OmniFusion-7B (InternViT-6B-448px V1-2)— ¿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: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

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