BlenderBot 3 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
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? BlenderBot 3?
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..
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
- McGill University,Meta AI,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms)
- Tipo de Organización
- Academia,Industry,Academia
- País
- Canada, United States of America
- Publicado
- 10 August 2022
- Autores
- Kurt Shuster, Jing Xu, Mojtaba Komeili, Da Ju, Eric Michael Smith, Stephen Roller, Megan Ung, Moya Chen, Kushal Arora, Joshua Lane, Morteza Behrooz, William Ngan, Spencer Poff, Naman Goyal, Arthur Szlam, Y-Lan Boureau, Melanie Kambadur, Jason Weston
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
- 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
- 1,300,000,000 tokens
- Tamaño de lote
- 262,144
Note that this is batch size for fine-tuning. Blenderbot is based on OPT-175B which had batch size 2M. "The 175B model was trained with a batch size of 2^18" 2^18 = 262144
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
- 1.5 × 10²¹ FLOP
(taken from OPT-175 base)
"The 30B and 175B parameter BlenderBot 3 models were each trained for one epoch of the training data on 64 (30B) or 128 (175B) x 40gb A100 GPUs; we found that the model (especially the 175B version) overfit significantly when seeing the training data more than once. The 175B model was trained with a batch size of 2^18 and the 30B model was trained with a batch size of 2^19, resulting in roughly 5600 updates and 2800 updates respectively." 175b params * 5600 * 2^18 * 6 = 1.5e21
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 SXM4 40 GB
- Chips utilizados
- 128
- Consumo de energía
- 102.6 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
- Open source
weights have a non-commercial license, must go through request form: https://docs.google.com/forms/d/e/1FAIpQLSfRzw8xVzxaxgRyuodTZtkcYADAjzYjN5gcxx6DMa4XaGwwhQ/viewform meanwhile training code is here. repo is MIT-licensed https://github.com/facebookresearch/ParlAI/blob/main/parlai/scripts/train_model.py
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
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Likely
- Citas
- 290
"Human evaluations show its superiority to existing open-domain dialogue agents, including its predecessors" They don't claim absolute SOTA
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- BlenderBot 3: a deployed conversational agent that continually learns to responsibly engage
- Última actualización
- 25 May 2026
Los extremos
Las diez GPUs más rápidas que ejecutan BlenderBot 3
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 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q4_K_M 28.6 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q6_K 28.1 tok/s
- 03 H200 NVL 141 GB · 4,890 GB/s · Q4_K_M 27.3 tok/s
- 04 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q4_K_M 27.3 tok/s
- 05 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q4_K_M 23.2 tok/s
- 06 H100 PCIe 96 GB 96 GB · 3,360 GB/s · Q3_K_M 21.9 tok/s
- 07 H100 SXM5 96 GB 96 GB · 3,360 GB/s · Q3_K_M 21.9 tok/s
- 08 B300 288 GB · 8,000 GB/s · Q8_0 19.4 tok/s
- 09 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 15.5 tok/s
- 10 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 15.5 tok/s
Las GPUs más pequeñas que aún funcionan BlenderBot 3
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 RTX PRO 6000 Blackwell 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 11.7 tok/s
- 02 RTX PRO 6000 Blackwell Max-Q 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 11.7 tok/s
- 03 RTX PRO 6000 Blackwell Server 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 11.7 tok/s
- 04 RTX PRO 6000D Blackwell Max-Q 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 11.7 tok/s
- 05 H100 PCIe 96 GB 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 21.9 tok/s
- 06 H100 SXM5 96 GB 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 21.9 tok/s
- 07 Data Center GPU Max 1350 96 GB · Necesita 86.2 GB · Q3_K_M · Ajustado 10.4 tok/s
- 08 GB10 128 GB · Necesita 106.6 GB · Q4_K_M · Ajustado 1.5 tok/s
- 09 Jetson T5000 128 GB · Necesita 106.6 GB · Q4_K_M · Ajustado 1.5 tok/s
- 10 Radeon Instinct MI300A 128 GB · Necesita 106.6 GB · Q4_K_M · Ajustado 23.2 tok/s
Qué significan los números
Lo que necesitas para ejecutar esto
Mínima tarjeta
H100 PCIe 96 GB
Memoria necesaria
86.2 GB
Más rápido
28.6 tok/s
BlenderBot 3 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.
El hardware mínimo que funciona 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
El resultado más rápido proviene de 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.
Fondo
BlenderBot 3 fue publicado por McGill University,Meta AI,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), en el país registrado como Canada, durante August 2022. La categoría en la que se encuentra el editor es academia,Industry,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de chat.
Se basa en OPT-175B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Leyendo las cifras de rendimiento
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.
Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento 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
Producirlo requirió una aritmética que totaliza alrededor de 4.3 × 10²³ FLOP, en hardware registrado como NVIDIA A100 SXM4 40 GB. 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 1,300,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Paso a paso
Cómo elegir una GPU para BlenderBot 3
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 BlenderBot 3, 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 BlenderBot 3.
-
03
Decide cuánto compresión aceptarás
La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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. BlenderBot 3. 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
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 BlenderBot 3. 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 BlenderBot 3.
Respuestas
BlenderBot 3 — preguntas comunes
BlenderBot 3— ¿Qué tan precisas son estas estimaciones de velocidad?
Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 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.
BlenderBot 3— ¿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.
BlenderBot 3— ¿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.
BlenderBot 3— ¿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.
BlenderBot 3— ¿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.
BlenderBot 3— ¿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.
BlenderBot 3— ¿Quién lo creó?
Fue publicado por McGill University,Meta AI,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), basado en Canada, una organización categorizada como academia,Industry,Academia.
BlenderBot 3— ¿cuándo fue lanzado?
Se publicó en August 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.
BlenderBot 3— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de chat. 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.
BlenderBot 3— ¿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.
BlenderBot 3— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.3 × 10²³ FLOP, en hardware registrado como NVIDIA A100 SXM4 40 GB. 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.
BlenderBot 3— ¿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 22.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
BlenderBot 3— ¿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.
BlenderBot 3— ¿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.
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.