Hybrid H3-1.3B calculadora TPS

Abre pesos Stanford University,University at Buffalo 1.3B parámetros December 2022

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 pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · Q8_0 · 28.4 tok/s

Tarjeta más rápida

B200

2,606 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Hybrid H3-1.3B?

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.

818 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
2,606 tok/s 1,564–4,170 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.1 GB	Q8_0	Cómodo
2,606 tok/s 1,564–4,170 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.1 GB	Q8_0	Cómodo
2,081 tok/s 1,249–3,330 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.1 GB	Q8_0	Cómodo
2,081 tok/s 1,249–3,330 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.1 GB	Q8_0	Cómodo
1,664 tok/s 999–2,663 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.1 GB	Q8_0	Cómodo
1,593 tok/s 956–2,549 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.1 GB	Q8_0	Cómodo
1,593 tok/s 956–2,549 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.1 GB	Q8_0	Cómodo
1,525 tok/s 915–2,440 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.1 GB	Q8_0	Cómodo
1,353 tok/s 812–2,165 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.1 GB	Q8_0	Cómodo
1,353 tok/s 812–2,165 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.1 GB	Q8_0	Cómodo
1,353 tok/s 812–2,165 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.1 GB	Q8_0	Cómodo
1,284 tok/s 770–2,054 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.1 GB	Q8_0	Cómodo
1,095 tok/s 657–1,751 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.1 GB	Q8_0	Cómodo
1,095 tok/s 657–1,751 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.1 GB	Q8_0	Cómodo
1,095 tok/s 657–1,751 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.1 GB	Q8_0	Cómodo
1,095 tok/s 657–1,751 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.1 GB	Q8_0	Cómodo
1,095 tok/s 657–1,751 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.1 GB	Q8_0	Cómodo
834 tok/s 500–1,334 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.1 GB	Q8_0	Cómodo
834 tok/s 500–1,334 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.1 GB	Q8_0	Cómodo
695 tok/s 417–1,111 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.1 GB	Q8_0	Cómodo
680 tok/s 408–1,088 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.1 GB	Q8_0	Cómodo
665 tok/s 399–1,063 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.1 GB	Q8_0	Cómodo
665 tok/s 399–1,063 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.1 GB	Q8_0	Cómodo
665 tok/s 399–1,063 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.1 GB	Q8_0	Cómodo
665 tok/s 399–1,063 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.1 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: Stanford University,University at Buffalo
Tipo de Organización: Academia,Academia
País: United States of America
Publicado: 28 December 2022
Autores: Daniel Y. Fu, Tri Dao, Khaled K. Saab, Armin W. Thomas, Atri Rudra, Christopher Ré

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 modeling/generation

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: 1.3B
Datos de entrenamiento: 400,000,000,000 tokens
Épocas: 1
Tamaño de lote: 1,048,576

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: 6.4 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

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: 636
Datos de referencia: Hybrid H3-1.3B

Fuentes

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

Referencia: Hungry Hungry Hippos: Towards Language Modeling with State Space Models
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Hybrid H3-1.3B

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 Hybrid H3-1.3B

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 C1080

Memoria necesaria

2.1 GB

Más rápido

2,606 tok/s

Hybrid H3-1.3B llega a un recuento de parámetros de 1.3B. 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: 818.

En el extremo bajo, se maneja por Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 28.4 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 2,606 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

Hybrid H3-1.3B fue publicado por Stanford University,University at Buffalo, en el país registrado como United States of America, durante December 2022. Sale de una organización categorizada como academia,Academia.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.

Entendiendo las velocidades

El resultado mediano es alrededor de 73.2 tokens por segundo. Excediendo velocidad de lectura directamente: 797 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.

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.

Cómo fue entrenado

El entrenamiento consumió un corpus de alrededor de 400,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para Hybrid H3-1.3B

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 Hybrid H3-1.3B, necesitando alrededor 2.1 GB a una compresión de Q8_0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
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. Hybrid H3-1.3B.
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 Q8_0 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

Ordenar por velocidad

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Hybrid H3-1.3B. 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 2,606 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Hybrid H3-1.3B. 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

Revisa la tarjeta del otro lado

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 Hybrid H3-1.3B.

Respuestas

Hybrid H3-1.3B — preguntas comunes

Hybrid H3-1.3B— ¿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.

Hybrid H3-1.3B— ¿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. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Hybrid H3-1.3B— ¿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: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Hybrid H3-1.3B— ¿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: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Hybrid H3-1.3B— ¿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: 1,564–4,170 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.

Hybrid H3-1.3B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla C1080, con una capacidad de memoria de 4 GB. Funciona el modelo a una compresión de Q8_0 usando alrededor 2.1 GB, y produce aproximadamente 28.4 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Hybrid H3-1.3B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 2,606 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: 797.

Hybrid H3-1.3B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 2.1 GB a una compresión de Q8_0, 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.

Hybrid H3-1.3B— ¿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 Q8_0, usando alrededor 2.1 GB y generando aproximadamente 485 tokens por segundo. El ajuste es cómodo.

Hybrid H3-1.3B— ¿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 2.1 GB y generando aproximadamente 297 tokens por segundo. El ajuste es cómodo.

Hybrid H3-1.3B— ¿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 2.1 GB y generando aproximadamente 368 tokens por segundo. El ajuste es cómodo.

Hybrid H3-1.3B— ¿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 2.1 GB y generando aproximadamente 437 tokens por segundo. El ajuste es cómodo.

Hybrid H3-1.3B— ¿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.

Hybrid H3-1.3B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 1.3B. 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.

Hybrid H3-1.3B— ¿Quién lo creó?

Fue publicado por Stanford University,University at Buffalo, basado en United States of America, una organización categorizada como academia,Academia.

Hybrid H3-1.3B— ¿cuándo fue lanzado?

Se publicó en December 2022. 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.

Hybrid H3-1.3B— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de 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.

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