CogVideo calculadora TPS

Abre pesos Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI 9.4B parámetros May 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

582 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Quadro 6000

6 GB · Q3_K_M · 14.8 tok/s

Tarjeta más rápida

B200

360 tok/s · 180 GB

¿Qué GPU pueden ejecutar? CogVideo?

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.

582 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
360 tok/s 216–577 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	10.8 GB	Q8_0	Cómodo
360 tok/s 216–577 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	10.8 GB	Q8_0	Cómodo
288 tok/s 173–461 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	10.8 GB	Q8_0	Cómodo
288 tok/s 173–461 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	10.8 GB	Q8_0	Cómodo
230 tok/s 138–368 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	10.8 GB	Q8_0	Cómodo
220 tok/s 132–353 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.8 GB	Q8_0	Cómodo
220 tok/s 132–353 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.8 GB	Q8_0	Cómodo
211 tok/s 127–337 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	10.8 GB	Q8_0	Cómodo
187 tok/s 112–299 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Cómodo
187 tok/s 112–299 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Cómodo
187 tok/s 112–299 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	10.8 GB	Q8_0	Cómodo
178 tok/s 107–284 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	10.8 GB	Q8_0	Cómodo
155 tok/s 93–248 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.4 GB	Q4_K_M	Ajustado
151 tok/s 91–242 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Cómodo
151 tok/s 91–242 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	10.8 GB	Q8_0	Cómodo
151 tok/s 91–242 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Cómodo
151 tok/s 91–242 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Cómodo
151 tok/s 91–242 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	10.8 GB	Q8_0	Cómodo
115 tok/s 69–184 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	10.8 GB	Q8_0	Cómodo
115 tok/s 69–184 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	10.8 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q6_K	Ajustado
96.1 tok/s 58–154 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	10.8 GB	Q8_0	Cómodo
94.0 tok/s 56–150 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	10.8 GB	Q8_0	Cómodo
91.9 tok/s 55–147 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	10.8 GB	Q8_0	Cómodo
91.9 tok/s 55–147 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	10.8 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: Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI
Tipo de Organización: Academia,Academia
País: China
Publicado: 29 May 2022
Autores: Wenyi Hong, Ming Ding, Wendi Zheng, Xinghan Liu, Jie Tang

Lo que hace

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

Dominio: Video
Tarea: Video generation, Text-to-video
Modelo base: CogView2
Formato numérico: FP16

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: 9.4B
Datos de entrenamiento: 145,000,000,000 tokens

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.

Cómo se estableció: Operation counting
Computación de ajuste fino: 3 × 10¹⁹ FLOP

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.

Modelo de Fundación: Yes
Probablemente por encima de 10²³ FLOP: Yes
Por qué se rastrea: Historical significance
Confianza de registro: Speculative
Citas: 1,058

Fuentes

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

Referencia: CogVideo: Large-scale Pretraining for Text-to-Video Generation via Transformers
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan CogVideo

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 CogVideo

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

Quadro 6000

Memoria necesaria

5.3 GB

Más rápido

360 tok/s

CogVideo llega a un recuento de parámetros de 9.4B. 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: 582.

En el extremo bajo, se maneja por Quadro 6000, con una capacidad de memoria de 6 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 14.8 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 360 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

CogVideo fue publicado por Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, en el país registrado como China, durante May 2022. La categoría en la que se encuentra el editor es academia,Academia.

Funciona en el dominio de Video, y se registra como realizando la tarea de video generation, Text-to-video.

Su punto de partida fue un modelo base existente, CogView2. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible.

Entendiendo las velocidades

La mitad de las tarjetas que lo sostienen gestionan más de 22.7 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 543 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.

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 entrenamiento consumió un corpus de alrededor de 145,000,000,000 tokens de texto

Se rastrea en el conjunto de datos subyacente por una razón en particular: historical significance.

Paso a paso

Cómo elegir una GPU para CogVideo

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 CogVideo, necesitando alrededor 5.3 GB a una compresión de Q3_K_M. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
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 CogVideo.
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 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 CogVideo. 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 360 tok/s
05

Mira el margen, no solo la compatibilidad.

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de CogVideo. 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 página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de CogVideo.

Respuestas

CogVideo — preguntas comunes

CogVideo— ¿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 10.8 GB y generando aproximadamente 41.1 tokens por segundo. El ajuste es ajustado.

CogVideo— ¿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 10.8 GB y generando aproximadamente 50.9 tokens por segundo. El ajuste es cómodo.

CogVideo— ¿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 10.8 GB y generando aproximadamente 60.4 tokens por segundo. El ajuste es cómodo.

CogVideo— ¿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.

CogVideo— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 9.4B. 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.

CogVideo— ¿Quién lo creó?

Fue publicado por Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, basado en China, una organización categorizada como academia,Academia.

CogVideo— ¿cuándo fue lanzado?

Se publicó en May 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.

CogVideo— ¿Para qué se utiliza?

Funciona en el dominio de Video, y se registra como manejando la tarea de video generation, Text-to-video. 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.

CogVideo— ¿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.

CogVideo— ¿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 1.9 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

CogVideo— ¿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: 582. Así que una segunda tarjeta rara vez es la respuesta aquí.

CogVideo— ¿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: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

CogVideo— ¿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: 216–577 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.

CogVideo— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Quadro 6000, con una capacidad de memoria de 6 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 5.3 GB, y produce aproximadamente 14.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 582.

CogVideo— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 360 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: 543.

CogVideo— ¿Cuánta VRAM necesita?

Necesita aproximadamente 5.3 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.

CogVideo— ¿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 Q4_K_M, usando alrededor 6.4 GB y generando aproximadamente 155 tokens por segundo. El ajuste es ajustado.

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