CodeGen-Mono 16.1B calculadora TPS

Abre pesos Salesforce 16.1B parámetros February 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

306 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

P102-101

10 GB · Q3_K_M · 19.3 tok/s

Tarjeta más rápida

B200

210 tok/s · 180 GB

¿Qué GPU pueden ejecutar? CodeGen-Mono 16.1B?

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.

306 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
210 tok/s 126–337 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	17.9 GB	Q8_0	Cómodo
210 tok/s 126–337 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	17.9 GB	Q8_0	Cómodo
168 tok/s 101–269 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	17.9 GB	Q8_0	Cómodo
168 tok/s 101–269 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	17.9 GB	Q8_0	Cómodo
134 tok/s 81–215 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	17.9 GB	Q8_0	Cómodo
129 tok/s 77–206 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.9 GB	Q8_0	Cómodo
129 tok/s 77–206 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.9 GB	Q8_0	Cómodo
123 tok/s 74–197 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	17.9 GB	Q8_0	Cómodo
111 tok/s 66–177 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q3_K_M	Ajustado
109 tok/s 66–175 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	17.9 GB	Q8_0	Cómodo
109 tok/s 66–175 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	17.9 GB	Q8_0	Cómodo
109 tok/s 66–175 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	17.9 GB	Q8_0	Cómodo
104 tok/s 62–166 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	17.9 GB	Q8_0	Cómodo
88.4 tok/s 53–141 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.9 GB	Q8_0	Cómodo
88.4 tok/s 53–141 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	17.9 GB	Q8_0	Cómodo
88.4 tok/s 53–141 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	17.9 GB	Q8_0	Cómodo
88.4 tok/s 53–141 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.9 GB	Q8_0	Cómodo
88.4 tok/s 53–141 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	17.9 GB	Q8_0	Cómodo
67.3 tok/s 40–108 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	17.9 GB	Q8_0	Cómodo
67.3 tok/s 40–108 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	17.9 GB	Q8_0	Cómodo
56.1 tok/s 34–90 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	17.9 GB	Q8_0	Cómodo
55.4 tok/s 33–89 · baja confianza	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q4_K_M	Ajustado
55.4 tok/s 33–89 · baja confianza	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q4_K_M	Ajustado
54.9 tok/s 33–88 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	17.9 GB	Q8_0	Cómodo
54.0 tok/s 32–86 · baja confianza	CMP 90HX NVIDIA	10 GB	760 GB/s	Jul 2021	8.6 GB	Q3_K_M	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: Salesforce
Tipo de Organización: Industry
País: United States of America
Publicado: 27 February 2023
Autores: Erik Nijkamp, Bo Pang, Hiroaki Hayashi, Lifu Tu, Huan Wang, Yingbo Zhou, Silvio Savarese, Caiming Xiong

Lo que hace

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

Dominio: Language
Tarea: Code generation, Code autocompletion

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: 16.1B
Datos de entrenamiento: 71,700,000,000 tokens
Épocas: 4.18

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: Google TPU v4

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)

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Probablemente por encima de 10²³ FLOP: Yes
Confianza de registro: Likely
Citas: 1,473

Fuentes

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

Referencia: CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan CodeGen-Mono 16.1B

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 CodeGen-Mono 16.1B

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 se necesita para ejecutar este modelo

Mínima tarjeta

P102-101

Memoria necesaria

8.6 GB

Más rápido

210 tok/s

CodeGen-Mono 16.1B llega a un recuento de parámetros de 16.1B. 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: 306.

La tarjeta más pequeña que lo sostiene es P102-101, con una capacidad de memoria de 10 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 19.3 tokens por segundo

El resultado más rápido proviene de B200, generando aproximadamente 210 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

CodeGen-Mono 16.1B fue publicado por Salesforce, en el país registrado como United States of America, durante February 2023. La organización editora está clasificada como industry.

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

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

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 19.6 tokens por segundo. Excediendo velocidad de lectura directamente: 259 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.

Sin el diseño de atención en nuestro archivo, la columna de memoria es una aproximación. Es lo suficientemente cercana como para elegir hardware, y menos confiable en contexto largo.

Entrenamiento y procedencia

El conjunto de entrenamiento se ejecutó a aproximadamente 71,700,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para CodeGen-Mono 16.1B

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

Cada tarjeta aquí ha sido verificada contra CodeGen-Mono 16.1B, necesitando alrededor 8.6 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Ajusta el contexto a tu uso actual

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. CodeGen-Mono 16.1B.
03

Elige cuán lejos lo comprimirás.

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

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. CodeGen-Mono 16.1B. 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 210 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 CodeGen-Mono 16.1B. 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 CodeGen-Mono 16.1B.

Respuestas

CodeGen-Mono 16.1B — preguntas comunes

CodeGen-Mono 16.1B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 3.2 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

CodeGen-Mono 16.1B— ¿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: 306. Así que una segunda tarjeta rara vez es la respuesta aquí.

CodeGen-Mono 16.1B— ¿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.

CodeGen-Mono 16.1B— ¿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: 126–337 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.

CodeGen-Mono 16.1B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es P102-101, con una capacidad de memoria de 10 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 8.6 GB, y produce aproximadamente 19.3 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 306.

CodeGen-Mono 16.1B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 210 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: 259.

CodeGen-Mono 16.1B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 8.6 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.

CodeGen-Mono 16.1B— ¿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 Q4_K_M, usando alrededor 10.4 GB y generando aproximadamente 55.4 tokens por segundo. El ajuste es ajustado.

CodeGen-Mono 16.1B— ¿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 Q6_K, usando alrededor 14.2 GB y generando aproximadamente 43.2 tokens por segundo. El ajuste es ajustado.

CodeGen-Mono 16.1B— ¿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 17.9 GB y generando aproximadamente 35.3 tokens por segundo. El ajuste es cómodo.

CodeGen-Mono 16.1B— ¿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.

CodeGen-Mono 16.1B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 16.1B. 16.1B 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.

CodeGen-Mono 16.1B— ¿Quién lo creó?

Fue publicado por Salesforce, basado en United States of America, una organización categorizada como industry.

CodeGen-Mono 16.1B— ¿cuándo fue lanzado?

Se publicó en February 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.

CodeGen-Mono 16.1B— ¿Para qué se utiliza?

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

CodeGen-Mono 16.1B— ¿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.

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