OPT-IML (175B) calculadora TPS

Abre pesos Meta AI 175B 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

24 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

H100 PCIe 96 GB

96 GB · Q3_K_M · 21.9 tok/s

Tarjeta más rápida

Radeon Instinct MI300

28.6 tok/s · 128 GB

¿Qué GPU pueden ejecutar? OPT-IML (175B)?

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.

24 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
28.6 tok/s 17–46 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	106.6 GB	Q4_K_M	Ajustado
28.1 tok/s 17–45 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	147.3 GB	Q6_K	Ajustado
27.3 tok/s 16–44 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	106.6 GB	Q4_K_M	Ajustado
27.3 tok/s 16–44 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	106.6 GB	Q4_K_M	Ajustado
23.2 tok/s 14–37 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	106.6 GB	Q4_K_M	Ajustado
21.9 tok/s 13–35 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	86.2 GB	Q3_K_M	Ajustado
21.9 tok/s 13–35 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	86.2 GB	Q3_K_M	Ajustado
19.4 tok/s 12–31 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	188.1 GB	Q8_0	Cómodo
15.5 tok/s 9–25 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	188.1 GB	Q8_0	Cómodo
15.5 tok/s 9–25 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	188.1 GB	Q8_0	Cómodo
14.6 tok/s 9–23 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	147.3 GB	Q6_K	Ajustado
14.6 tok/s 9–23 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	147.3 GB	Q6_K	Ajustado
14.3 tok/s 9–23 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	106.6 GB	Q4_K_M	Ajustado
14.3 tok/s 9–23 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	106.6 GB	Q4_K_M	Ajustado
11.9 tok/s 7–19 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	106.6 GB	Q4_K_M	Ajustado
11.7 tok/s 7–19 · baja confianza	RTX PRO 6000 Blackwell NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Ajustado
11.7 tok/s 7–19 · baja confianza	RTX PRO 6000 Blackwell Max-Q NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Ajustado
11.7 tok/s 7–19 · baja confianza	RTX PRO 6000 Blackwell Server NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Ajustado
11.7 tok/s 7–19 · baja confianza	RTX PRO 6000D Blackwell Max-Q NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Ajustado
11.7 tok/s 7–19 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	106.6 GB	Q4_K_M	Ajustado
11.3 tok/s 7–18 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	188.1 GB	Q8_0	Cómodo
10.4 tok/s 6–17 · baja confianza	Data Center GPU Max 1350 Intel	96 GB	2,460 GB/s	Jan 2023	86.2 GB	Q3_K_M	Ajustado
1.5 tok/s 1–2 · baja confianza	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	106.6 GB	Q4_K_M	Ajustado
1.5 tok/s 1–2 · baja confianza	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	106.6 GB	Q4_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: Meta AI
Tipo de Organización: Industry
País: United States of America
Publicado: 22 December 2022
Autores: Srinivasan Iyer, Xi Victoria Lin, Ramakanth Pasunuru, Todor Mihaylov, Daniel Simig, Ping Yu, Kurt Shuster, Tianlu Wang, Qing Liu, Punit Singh Koura, Xian Li, Brian O'Horo, Gabriel Pereyra, Jeff Wang, Christopher Dewan, Asli Celikyilmaz, Luke Zettlemoyer, Ves Stoyanov

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
Modelo base: OPT-175B

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: 175B
Datos de entrenamiento: 2,000,000,000 tokens
Tamaño de lote: 125

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.

Cómputo de entrenamiento: 4.3 × 10²³ FLOP
Cómo se estableció: Operation counting
Computación de ajuste fino: 2.1 × 10²¹ FLOP

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: 128
Horas de chip: 9,216
Tiempo de reloj: 72 hours
Consumo de energía: 102.3 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 (non-commercial)
Código de entrenamiento: Unreleased

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: 304

Fuentes

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

Referencia: OPT-IML: Scaling Language Model Instruction Meta Learning through the Lens of Generalization
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan OPT-IML (175B)

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 OPT-IML (175B)

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

H100 PCIe 96 GB

Memoria necesaria

86.2 GB

Más rápido

28.6 tok/s

OPT-IML (175B) llega a un recuento de parámetros de 175B. 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: 24.

La tarjeta más pequeña que lo sostiene es H100 PCIe 96 GB, con una capacidad de memoria de 96 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 21.9 tokens por segundo

Lo más rápido que calculamos para ello es Radeon Instinct MI300, generando aproximadamente 28.6 tokens por segundo en la fuerza de un ancho de banda de memoria de 6,550 GB/s.

De dónde vino

OPT-IML (175B) fue publicado por Meta AI, en el país registrado como United States of America, durante December 2022. Sale de una organización categorizada como industry.

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

Se basa en OPT-175B. Por eso comparte la forma y el tamaño general del modelo base.

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 14.5 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 22 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.

Qué se necesitó para construirlo

El entrenamiento consumió alrededor de 4.3 × 10²³ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El conjunto de entrenamiento se ejecutó a aproximadamente 2,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para OPT-IML (175B)

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 OPT-IML (175B), necesitando alrededor 86.2 GB a una compresión de Q3_K_M. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
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 OPT-IML (175B).
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

Ordenar por velocidad

Ordenar por velocidad para ver cómo se clasifican las tarjetas por OPT-IML (175B). 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 Radeon Instinct MI300, en 28.6 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 OPT-IML (175B). 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

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. OPT-IML (175B).

Respuestas

OPT-IML (175B) — preguntas comunes

OPT-IML (175B)— ¿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.

OPT-IML (175B)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 175B. 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.

OPT-IML (175B)— ¿Quién lo creó?

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

OPT-IML (175B)— ¿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.

OPT-IML (175B)— ¿Para qué se utiliza?

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

OPT-IML (175B)— ¿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.

OPT-IML (175B)— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 4.3 × 10²³ FLOP, en hardware registrado como NVIDIA A100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.

OPT-IML (175B)— ¿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 22.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

OPT-IML (175B)— ¿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: 24. Así que una segunda tarjeta rara vez es la respuesta aquí.

OPT-IML (175B)— ¿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: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

OPT-IML (175B)— ¿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: 17–46 tok/s en Radeon Instinct MI300. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

OPT-IML (175B)— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es H100 PCIe 96 GB, con una capacidad de memoria de 96 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 86.2 GB, y produce aproximadamente 21.9 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 24.

OPT-IML (175B)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es Radeon Instinct MI300, a aproximadamente 28.6 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: 22.

OPT-IML (175B)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 86.2 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.

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