PengCheng Mind (鹏城脑海) calculadora TPS

Abre pesos Peng Cheng Laboratory 200B parámetros September 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

17 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Radeon Instinct MI250

128 GB · IQ4_XS · 13.3 tok/s

Tarjeta más rápida

B200

30.3 tok/s · 180 GB

¿Qué GPU pueden ejecutar? PengCheng Mind (鹏城脑海)?

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.

17 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
30.3 tok/s 18–48 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	145.0 GB	Q5_K_M	Ajustado
26.6 tok/s 16–43 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	110.1 GB	IQ4_XS	Ajustado
23.9 tok/s 14–38 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	121.7 GB	Q4_K_M	Ajustado
23.9 tok/s 14–38 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	121.7 GB	Q4_K_M	Ajustado
21.6 tok/s 13–35 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	110.1 GB	IQ4_XS	Ajustado
16.9 tok/s 10–27 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	214.8 GB	Q8_0	Cómodo
13.5 tok/s 8–22 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	214.8 GB	Q8_0	Cómodo
13.5 tok/s 8–22 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	214.8 GB	Q8_0	Cómodo
13.3 tok/s 8–21 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	110.1 GB	IQ4_XS	Ajustado
13.3 tok/s 8–21 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	110.1 GB	IQ4_XS	Ajustado
12.8 tok/s 8–20 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	168.3 GB	Q6_K	Ajustado
12.8 tok/s 8–20 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	168.3 GB	Q6_K	Ajustado
11.1 tok/s 7–18 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	110.1 GB	IQ4_XS	Ajustado
10.9 tok/s 7–17 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	110.1 GB	IQ4_XS	Ajustado
9.9 tok/s 6–16 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	214.8 GB	Q8_0	Ajustado
1.4 tok/s 1–2 · baja confianza	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	110.1 GB	IQ4_XS	Ajustado
1.4 tok/s 1–2 · baja confianza	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	110.1 GB	IQ4_XS	Ajustado

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: Peng Cheng Laboratory
Tipo de Organización: Academia
País: China
Publicado: 21 September 2023

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, Translation

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: 200B
Datos de entrenamiento: tokens

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: Ascend (昇腾) 910
Chips utilizados: 144
Centro de datos: PengCheng Cloud Brain II

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)

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

Fuentes

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

Referencia: OpenI启智社区/PengCheng.Mind
Última actualización: 11 February 2026

Los extremos

Las diez GPUs más rápidas que ejecutan PengCheng Mind (鹏城脑海)

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 PengCheng Mind (鹏城脑海)

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 necesitas para ejecutar esto

Mínima tarjeta

Radeon Instinct MI250

Memoria necesaria

110.1 GB

Más rápido

30.3 tok/s

PengCheng Mind (鹏城脑海) llega a un recuento de parámetros de 200B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 17.

El hardware mínimo que funciona es Radeon Instinct MI250, con una capacidad de memoria de 128 GB, ejecutándolo a una compresión de IQ4_XS y produciendo alrededor 13.3 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 30.3 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

PengCheng Mind (鹏城脑海) fue publicado por Peng Cheng Laboratory, en el país registrado como China, durante September 2023. Sale de una organización categorizada como academia.

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

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.

Qué decide la velocidad

El resultado mediano es alrededor de 13.3 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 14 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.

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.

Paso a paso

Cómo elegir una GPU para PengCheng Mind (鹏城脑海)

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 PengCheng Mind (鹏城脑海), necesitando alrededor 110.1 GB a una compresión de IQ4_XS. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
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 PengCheng Mind (鹏城脑海).
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de IQ4_XS 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.

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para PengCheng Mind (鹏城脑海). 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 30.3 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 PengCheng Mind (鹏城脑海). 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

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. PengCheng Mind (鹏城脑海).

Respuestas

PengCheng Mind (鹏城脑海) — preguntas comunes

PengCheng Mind (鹏城脑海)— ¿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: 18–48 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.

PengCheng Mind (鹏城脑海)— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Radeon Instinct MI250, con una capacidad de memoria de 128 GB. Funciona el modelo a una compresión de IQ4_XS usando alrededor 110.1 GB, y produce aproximadamente 13.3 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 17.

PengCheng Mind (鹏城脑海)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 30.3 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: 14.

PengCheng Mind (鹏城脑海)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 110.1 GB a una compresión de IQ4_XS, 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.

PengCheng Mind (鹏城脑海)— ¿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.

PengCheng Mind (鹏城脑海)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 200B. "PengCheng.Mind 又称鹏城·脑海是鹏城实验室开发、开源、开放的基于Transformer架构的自回归式语言模型，目前包含7B、200B两个版本". 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.

PengCheng Mind (鹏城脑海)— ¿Quién lo creó?

Fue publicado por Peng Cheng Laboratory, basado en China, una organización categorizada como academia.

PengCheng Mind (鹏城脑海)— ¿cuándo fue lanzado?

Se publicó en September 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.

PengCheng Mind (鹏城脑海)— ¿Para qué se utiliza?

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

PengCheng Mind (鹏城脑海)— ¿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.

PengCheng Mind (鹏城脑海)— ¿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 35.3 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

PengCheng Mind (鹏城脑海)— ¿Correrían dos GPUS más rápido?

Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 17. Así que una segunda tarjeta rara vez es la respuesta aquí.

PengCheng Mind (鹏城脑海)— ¿Por qué difiere la cuantificación entre tarjetas?

Debido a que la capacidad varía, también varía cuán difícil tiene que ser exprimido. El número de niveles distintos en la tabla de arriba: 5. 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 11 February 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