mPLUG-Owl2 calculadora TPS

Abre pesos Alibaba 7.1B 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

589 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla K20c

5 GB · Q3_K_M · 28.4 tok/s

Tarjeta más rápida

B200

476 tok/s · 180 GB

¿Qué GPU pueden ejecutar? mPLUG-Owl2?

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.

589 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
476 tok/s 286–761 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.3 GB	Q8_0	Cómodo
476 tok/s 286–761 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.3 GB	Q8_0	Cómodo
380 tok/s 228–608 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Cómodo
380 tok/s 228–608 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Cómodo
304 tok/s 182–486 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.3 GB	Q8_0	Cómodo
291 tok/s 175–465 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Cómodo
291 tok/s 175–465 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Cómodo
278 tok/s 167–445 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.3 GB	Q8_0	Cómodo
247 tok/s 148–395 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Cómodo
247 tok/s 148–395 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Cómodo
247 tok/s 148–395 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Cómodo
234 tok/s 141–375 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.3 GB	Q8_0	Cómodo
200 tok/s 120–320 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Cómodo
200 tok/s 120–320 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.3 GB	Q8_0	Cómodo
200 tok/s 120–320 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Cómodo
200 tok/s 120–320 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Cómodo
200 tok/s 120–320 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Cómodo
152 tok/s 91–244 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Cómodo
152 tok/s 91–244 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Cómodo
129 tok/s 77–206 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q6_K	Ajustado
127 tok/s 76–203 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.3 GB	Q8_0	Cómodo
124 tok/s 74–199 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.3 GB	Q8_0	Cómodo
121 tok/s 73–194 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.3 GB	Q8_0	Cómodo
121 tok/s 73–194 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.3 GB	Q8_0	Cómodo
121 tok/s 73–194 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.3 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: Alibaba
Tipo de Organización: Industry
País: China
Publicado: 7 November 2023
Autores: Qinghao Ye, Haiyang Xu, Jiabo Ye, Ming Yan, Anwen Hu, Haowei Liu, Qi Qian, Ji Zhang, Fei Huang, Jingren Zhou

Lo que hace

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

Dominio: Vision, Language, Multimodal
Tarea: Visual question answering, Image captioning, Language modeling/generation
Modelo base: Llama 2-7B
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: 7.1B
Datos de entrenamiento: 182,032,793,600 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.

Cómo se estableció: Operation counting
Computación de ajuste fino: 1.7 × 10¹⁹ 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 (unrestricted)
Código de entrenamiento: Open source
Hugging Face: Mizukiluke

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: Speculative

Fuentes

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

Referencia: mPLUG-Owl2: Revolutionizing Multi-modal Large Language Model with Modality Collaboration
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan mPLUG-Owl2

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 mPLUG-Owl2

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

Tesla K20c

Memoria necesaria

4.2 GB

Más rápido

476 tok/s

mPLUG-Owl2 llega a un recuento de parámetros de 7.1B. 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: 589.

En el extremo bajo, se maneja por Tesla K20c, con una capacidad de memoria de 5 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 28.4 tokens por segundo

Gama alta es B200, generando aproximadamente 476 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

mPLUG-Owl2 fue publicado por Alibaba, en el país registrado como China, durante November 2023. La organización editora está clasificada como industry.

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

Su punto de partida fue un modelo base existente, Llama 2-7B. Esa es la forma habitual en que se produce un modelo especializado.

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 Mizukiluke.

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 25.7 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 559 de ellos.

Es un modelo denso, por lo que cada parámetro se lee para cada token producido. Eso hace que la velocidad rastree el ancho de banda de la memoria casi exactamente: una tarjeta con el doble de ancho de banda genera aproximadamente el doble de rápido.

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

Fue entrenado en un corpus de aproximadamente 182,032,793,600 tokens de texto

La razón por la que aparece en este catálogo en absoluto: sOTA improvement.

Paso a paso

Cómo elegir una GPU para mPLUG-Owl2

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.

Empieza desde lo que realmente necesita, que es el requerimiento de mPLUG-Owl2, necesitando alrededor 4.2 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Establece la longitud de contexto en la que trabajarás.

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. mPLUG-Owl2.
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

Compara tokens por segundo, no especificaciones

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. mPLUG-Owl2. 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 476 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de mPLUG-Owl2. 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 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 mPLUG-Owl2.

Respuestas

mPLUG-Owl2 — preguntas comunes

mPLUG-Owl2— ¿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: 589. Así que una segunda tarjeta rara vez es la respuesta aquí.

mPLUG-Owl2— ¿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.

mPLUG-Owl2— ¿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: 286–761 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.

mPLUG-Owl2— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla K20c, con una capacidad de memoria de 5 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 4.2 GB, y produce aproximadamente 28.4 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 589.

mPLUG-Owl2— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 476 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: 559.

mPLUG-Owl2— ¿Cuánta VRAM necesita?

Necesita aproximadamente 4.2 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.

mPLUG-Owl2— ¿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 Q6_K, usando alrededor 6.7 GB y generando aproximadamente 129 tokens por segundo. El ajuste es ajustado.

mPLUG-Owl2— ¿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 Q8_0, usando alrededor 8.3 GB y generando aproximadamente 54.3 tokens por segundo. El ajuste es cómodo.

mPLUG-Owl2— ¿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 8.3 GB y generando aproximadamente 67.2 tokens por segundo. El ajuste es cómodo.

mPLUG-Owl2— ¿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 8.3 GB y generando aproximadamente 79.7 tokens por segundo. El ajuste es cómodo.

mPLUG-Owl2— ¿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.

mPLUG-Owl2— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 7.1B. "As depicted in Figure 2, our model, referred to as mPLUGOwl2, is composed of three main components: a fundamental vision encoder, a visual abstractor, and a language decoder. Specifically, we utilize ViT-L/14 as the vision encoder and LLaMA-2-7B [58] as the language decoder" ViT-L/14 has 123M parameters and Llama 2 7B has 7B 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.

mPLUG-Owl2— ¿Quién lo creó?

Fue publicado por Alibaba, basado en China, una organización categorizada como industry.

mPLUG-Owl2— ¿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.

mPLUG-Owl2— ¿Para qué se utiliza?

Funciona en el dominio de Vision, Language, Multimodal, y se registra como manejando la tarea de visual question answering, Image captioning, Language modeling/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.

mPLUG-Owl2— ¿Dónde puedo descargarlo?

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

mPLUG-Owl2— ¿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 1.4 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