Platypus-70B calculadora TPS
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
818 tarjetas que tenemos especificaciones para
Tarjeta más pequeña que cabe
A100 PCIe 40 GB
40 GB · Q3_K_M · 25.5 tok/s
Tarjeta más rápida
B200
48.4 tok/s · 180 GB
¿Qué GPU pueden ejecutar? Platypus-70B?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
61 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
48.4
tok/s
29–77 · baja confianza |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 75.6 GB | Q8_0 | Cómodo |
|
48.4
tok/s
29–77 · baja confianza |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 75.6 GB | Q8_0 | Cómodo |
|
38.7
tok/s
23–62 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 75.6 GB | Q8_0 | Cómodo |
|
38.7
tok/s
23–62 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 75.6 GB | Q8_0 | Cómodo |
|
30.9
tok/s
19–49 · baja confianza |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 75.6 GB | Q8_0 | Cómodo |
|
29.6
tok/s
18–47 · baja confianza |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 75.6 GB | Q8_0 | Cómodo |
|
29.6
tok/s
18–47 · baja confianza |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 75.6 GB | Q8_0 | Cómodo |
|
29.5
tok/s
18–47 · baja confianza |
H100 SXM5 80 GB NVIDIA | 80 GB | 3,360 GB/s | Oct 2022 | 59.3 GB | Q6_K | Cómodo |
|
29.5
tok/s
18–47 · baja confianza |
H800 SXM5 NVIDIA | 80 GB | 3,360 GB/s | Mar 2023 | 59.3 GB | Q6_K | Cómodo |
|
28.3
tok/s
17–45 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 75.6 GB | Q8_0 | Cómodo |
|
26.1
tok/s
16–42 · baja confianza |
GRID A100B NVIDIA | 48 GB | 1,870 GB/s | May 2020 | 43.0 GB | Q4_K_M | Ajustado |
|
25.5
tok/s
15–41 · baja confianza |
A100 PCIe 40 GB NVIDIA | 40 GB | 1,560 GB/s | Jun 2020 | 34.9 GB | Q3_K_M | Ajustado |
|
25.5
tok/s
15–41 · baja confianza |
A100 SXM4 40 GB NVIDIA | 40 GB | 1,560 GB/s | May 2020 | 34.9 GB | Q3_K_M | Ajustado |
|
25.5
tok/s
15–41 · baja confianza |
A800 PCIe 40 GB NVIDIA | 40 GB | 1,560 GB/s | Nov 2022 | 34.9 GB | Q3_K_M | Ajustado |
|
25.1
tok/s
15–40 · baja confianza |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 75.6 GB | Q8_0 | Cómodo |
|
25.1
tok/s
15–40 · baja confianza |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 75.6 GB | Q8_0 | Cómodo |
|
25.1
tok/s
15–40 · baja confianza |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 75.6 GB | Q8_0 | Cómodo |
|
23.8
tok/s
14–38 · baja confianza |
H100 NVL 94 GB NVIDIA | 94 GB | 3,940 GB/s | Mar 2023 | 75.6 GB | Q8_0 | Ajustado |
|
21.8
tok/s
13–35 · baja confianza |
H100 SXM5 64 GB NVIDIA | 64 GB | 2,020 GB/s | Mar 2023 | 51.2 GB | Q5_K_M | Ajustado |
|
20.3
tok/s
12–33 · baja confianza |
H100 PCIe 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 75.6 GB | Q8_0 | Ajustado |
|
20.3
tok/s
12–33 · baja confianza |
H100 SXM5 94 GB NVIDIA | 94 GB | 3,360 GB/s | Mar 2023 | 75.6 GB | Q8_0 | Ajustado |
|
20.3
tok/s
12–33 · baja confianza |
H100 SXM5 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 75.6 GB | Q8_0 | Ajustado |
|
18.7
tok/s
11–30 · baja confianza |
RTX PRO 5000 Blackwell NVIDIA | 48 GB | 1,340 GB/s | Mar 2025 | 43.0 GB | Q4_K_M | Ajustado |
|
17.9
tok/s
11–29 · baja confianza |
A100 SXM4 80 GB NVIDIA | 80 GB | 2,040 GB/s | Nov 2020 | 59.3 GB | Q6_K | Cómodo |
|
17.9
tok/s
11–29 · baja confianza |
A100X NVIDIA | 80 GB | 2,040 GB/s | Jun 2021 | 59.3 GB | Q6_K | 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
- Boston University
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 14 August 2023
- Autores
- Ariel N. Lee, Cole J. Hunter, Nataniel Ruiz
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language generation
- Modelo base
- Llama 2-70B
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
- 70B
- Datos de entrenamiento
- tokens
fine-tuned from LLaMa 2-70B
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 × 10¹⁹ FLOP
22 hours on 4 A100 GPUs ("our 70B model using 4 A100s 80GB for 22 hours.") If FP16, this was around 312 TFLOPS * 88 hours * 40% = 3.954*10^19 FLOP It would be double this if they used INT8.
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 (non-commercial)
- Código de entrenamiento
- Open (non-commercial)
Non-Commercial Creative Commons license (CC BY-NC-4.0) dataset has several licenses but includes non-comm: https://huggingface.co/datasets/garage-bAInd/Open-Platypus code: https://github.com/arielnlee/Platypus
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
- 187
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Platypus: Quick, Cheap, and Powerful Refinement of LLMs
- Última actualización
- 25 May 2026
Los extremos
Las diez GPUs más rápidas que ejecutan Platypus-70B
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..
- 01 B300 288 GB · 8,000 GB/s · Q8_0 48.4 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q8_0 48.4 tok/s
- 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 38.7 tok/s
- 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 38.7 tok/s
- 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 30.9 tok/s
- 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 29.6 tok/s
- 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 29.6 tok/s
- 08 H800 SXM5 80 GB · 3,360 GB/s · Q6_K 29.5 tok/s
- 09 H100 SXM5 80 GB 80 GB · 3,360 GB/s · Q6_K 29.5 tok/s
- 10 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 28.3 tok/s
Las GPUs más pequeñas que aún funcionan Platypus-70B
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..
- 01 A800 PCIe 40 GB 40 GB · Necesita 34.9 GB · Q3_K_M · Ajustado 25.5 tok/s
- 02 A100 PCIe 40 GB 40 GB · Necesita 34.9 GB · Q3_K_M · Ajustado 25.5 tok/s
- 03 A100 SXM4 40 GB 40 GB · Necesita 34.9 GB · Q3_K_M · Ajustado 25.5 tok/s
- 04 Radeon PRO W7900D 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 9.4 tok/s
- 05 RTX PRO 5000 Blackwell 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 18.7 tok/s
- 06 RTX 5880 Ada Generation 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 12.1 tok/s
- 07 L20 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 12.1 tok/s
- 08 Radeon PRO W7800 48 GB 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 9.4 tok/s
- 09 Radeon PRO W7900 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 9.4 tok/s
- 10 Data Center GPU Max 1100 48 GB · Necesita 43.0 GB · Q4_K_M · Ajustado 11.2 tok/s
Qué significan los números
Lo que se necesita para ejecutar este modelo
Mínima tarjeta
A100 PCIe 40 GB
Memoria necesaria
34.9 GB
Más rápido
48.4 tok/s
Platypus-70B llega a un recuento de parámetros de 70B. Eso lo coloca por encima del hardware de consumo, en el rango donde se compra una tarjeta para este propósito en lugar de ser reutilizada para ello. El número de tarjetas que seguimos que pueden contenerlo: 61.
La tarjeta más pequeña que lo sostiene es A100 PCIe 40 GB, con una capacidad de memoria de 40 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 25.5 tokens por segundo
En el otro extremo se encuentra B200, generando aproximadamente 48.4 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
De dónde vino
Platypus-70B fue publicado por Boston University, en el país registrado como United States of America, durante August 2023. Sale de una organización categorizada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language generation.
En lugar de ser entrenado desde cero, se deriva de Llama 2-70B. Por eso comparte la forma y el tamaño general del modelo base.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Entendiendo las velocidades
La mitad de las tarjetas que lo sostienen gestionan más de 17.1 tokens por segundo. Excediendo velocidad de lectura directamente: 50 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 Platypus-70B
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.
La tabla enumera cada tarjeta capaz de contener Platypus-70B, necesitando alrededor 34.9 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
Decide cuánto duran tus conversaciones.
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 Platypus-70B.
-
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 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.
La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Platypus-70B. 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 48.4 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 Platypus-70B. 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. Platypus-70B.
Respuestas
Platypus-70B — preguntas comunes
Platypus-70B— ¿Cuánta VRAM necesita?
Necesita aproximadamente 34.9 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.
Platypus-70B— ¿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.
Platypus-70B— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 70B. fine-tuned from LLaMa 2-70B. 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.
Platypus-70B— ¿Quién lo creó?
Fue publicado por Boston University, basado en United States of America, una organización categorizada como academia.
Platypus-70B— ¿cuándo fue lanzado?
Se publicó en August 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.
Platypus-70B— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language 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.
Platypus-70B— ¿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.
Platypus-70B— ¿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 14.2 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
Platypus-70B— ¿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: 61. Así que una segunda tarjeta rara vez es la respuesta aquí.
Platypus-70B— ¿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.
Platypus-70B— ¿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: 29–77 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.
Platypus-70B— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es A100 PCIe 40 GB, con una capacidad de memoria de 40 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 34.9 GB, y produce aproximadamente 25.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 61.
Platypus-70B— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 48.4 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: 50.
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.