Gemma-SEA-LION-v4-27B-IT 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
Xeon Phi 7120P
16 GB · Q3_K_M · 9.7 tok/s
Tarjeta más rápida
B200
125 tok/s · 180 GB
¿Qué GPU pueden ejecutar? Gemma-SEA-LION-v4-27B-IT?
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..
241 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
125
tok/s
107–151 |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 29.0 GB | Q8_0 | Cómodo |
|
125
tok/s
107–151 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 29.0 GB | Q8_0 | Cómodo |
|
100
tok/s
60–160 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 29.0 GB | Q8_0 | Cómodo |
|
100
tok/s
60–160 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 29.0 GB | Q8_0 | Cómodo |
|
80.1
tok/s
48–128 · baja confianza |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 29.0 GB | Q8_0 | Cómodo |
|
76.7
tok/s
65–92 |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 29.0 GB | Q8_0 | Cómodo |
|
76.7
tok/s
65–92 |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 29.0 GB | Q8_0 | Cómodo |
|
73.4
tok/s
44–117 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 29.0 GB | Q8_0 | Cómodo |
|
65.2
tok/s
39–104 · baja confianza |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 29.0 GB | Q8_0 | Cómodo |
|
65.2
tok/s
39–104 · baja confianza |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 29.0 GB | Q8_0 | Cómodo |
|
65.2
tok/s
39–104 · baja confianza |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 29.0 GB | Q8_0 | Cómodo |
|
61.8
tok/s
53–74 |
H100 NVL 94 GB NVIDIA | 94 GB | 3,940 GB/s | Mar 2023 | 29.0 GB | Q8_0 | Cómodo |
|
52.7
tok/s
45–63 |
H100 PCIe 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 29.0 GB | Q8_0 | Cómodo |
|
52.7
tok/s
45–63 |
H100 SXM5 80 GB NVIDIA | 80 GB | 3,360 GB/s | Oct 2022 | 29.0 GB | Q8_0 | Cómodo |
|
52.7
tok/s
45–63 |
H100 SXM5 94 GB NVIDIA | 94 GB | 3,360 GB/s | Mar 2023 | 29.0 GB | Q8_0 | Cómodo |
|
52.7
tok/s
45–63 |
H100 SXM5 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 29.0 GB | Q8_0 | Cómodo |
|
52.7
tok/s
45–63 |
H800 SXM5 NVIDIA | 80 GB | 3,360 GB/s | Mar 2023 | 29.0 GB | Q8_0 | Cómodo |
|
47.8
tok/s
41–57 |
Tesla V100 SXM2 16 GB NVIDIA | 16 GB | 1,130 GB/s | Nov 2019 | 13.3 GB | Q3_K_M | Ajustado |
|
42.6
tok/s
36–51 |
DRIVE A100 PROD NVIDIA | 32 GB | 1,870 GB/s | May 2020 | 22.7 GB | Q6_K | Cómodo |
|
42.6
tok/s
36–51 |
GRID A100A NVIDIA | 32 GB | 1,870 GB/s | May 2020 | 22.7 GB | Q6_K | Cómodo |
|
40.8
tok/s
35–49 |
GeForce RTX 5090 NVIDIA | 32 GB | 1,790 GB/s | Jan 2025 | 22.7 GB | Q6_K | Cómodo |
|
40.8
tok/s
35–49 |
GeForce RTX 5090 D NVIDIA | 32 GB | 1,790 GB/s | Jan 2025 | 22.7 GB | Q6_K | Cómodo |
|
40.6
tok/s
35–49 |
GeForce RTX 5080 NVIDIA | 16 GB | 960 GB/s | Jan 2025 | 13.3 GB | Q3_K_M | Ajustado |
|
40.1
tok/s
24–64 · baja confianza |
Radeon Instinct MI250 AMD | 128 GB | 3,280 GB/s | Nov 2021 | 29.0 GB | Q8_0 | Cómodo |
|
40.1
tok/s
24–64 · baja confianza |
Radeon Instinct MI250X AMD | 128 GB | 3,280 GB/s | Nov 2021 | 29.0 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
- AI Singapore
- Tipo de Organización
- Government
- País
- Singapore
- Publicado
- 20 August 2025
- Autores
- Antonyrex Sajeban, Chan Hok Teng Adwin, Cheng Zi Yi Nicholas, Choa Hsueh Mei Esther, Heng Jonathan, Huang Yuli, Hulagadri Adithya Venkatadri, Jann Railey Estrada Montalan, Kang Siow Wei Bryan, Lau Wayne, Lee Chwan Ren, Leong Wai Yi, Leong Wei Qi, Limkonchotiwat Peerat, Muhammad Ridzuan Bin Mokhtar, Nagarajan Karthik, Ng Boon Cheong Raymond, Ngee Chia Tai, Ngui Jian Gang, Nguyen Thanh Ngan, Ong Jin…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Language, Vision
- Tarea
- Language modeling/generation, Question answering, Visual question answering
- Modelo base
- Gemma 3 27B
- Formato numérico
- BF16
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
- 27B
- Datos de entrenamiento
- 500,000,000,000 tokens
"The training corpus for SEA-LION v4 amounts to 500 billion 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.
- Cómputo de entrenamiento
- 2.3 × 10²⁴ FLOP
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 8.1 × 10²² FLOP
2.268e+24 FLOP [base model] + 8.1e+22 FLOP = 2.349e+24 FLOP
6 FLOP/parameter/token * 27000000000 parameters * 500000000000 tokens = 8.1e+22 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 H200 SXM
- Centro de datos
- Cloud Provider: SMC H200
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 (restricted use)
- Código de entrenamiento
- Open source
- Hugging Face
- aisingapore
License: Gemma Terms of Use https://huggingface.co/aisingapore/Gemma-SEA-LION-v4-27B
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- SEA-LION v4
- Última actualización
- 28 November 2025
Los extremos
Las diez GPUs más rápidas que ejecutan Gemma-SEA-LION-v4-27B-IT
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 B300 288 GB · 8,000 GB/s · Q8_0 125 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q8_0 125 tok/s
- 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 100 tok/s
- 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 100 tok/s
- 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 80.1 tok/s
- 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 76.7 tok/s
- 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 76.7 tok/s
- 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 73.4 tok/s
- 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 65.2 tok/s
- 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 65.2 tok/s
Las GPUs más pequeñas que aún funcionan Gemma-SEA-LION-v4-27B-IT
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 Ryzen AI Z2 Extreme GPU 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 8.5 tok/s
- 02 Radeon RX 7700 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 20.5 tok/s
- 03 Arc Pro B50 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 6.2 tok/s
- 04 RTX PRO 2000 Blackwell 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 12.2 tok/s
- 05 Ryzen Z2 Extreme GPU 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 4.2 tok/s
- 06 Radeon RX 9060 XT 16 GB 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 10.6 tok/s
- 07 GeForce RTX 5060 Ti 16 GB 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 19.0 tok/s
- 08 GeForce RTX 5080 Mobile 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 37.9 tok/s
- 09 Radeon RX 9070 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 21.3 tok/s
- 10 Radeon RX 9070 XT 16 GB · Necesita 13.3 GB · Q3_K_M · Ajustado 21.3 tok/s
Qué significan los números
El lado de hardware
Mínima tarjeta
Xeon Phi 7120P
Memoria necesaria
13.3 GB
Más rápido
125 tok/s
Gemma-SEA-LION-v4-27B-IT llega a un recuento de parámetros de 27B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 241.
En el extremo bajo, se maneja por Xeon Phi 7120P, con una capacidad de memoria de 16 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 9.7 tokens por segundo
En el otro extremo se encuentra B200, generando aproximadamente 125 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
Fondo
Gemma-SEA-LION-v4-27B-IT fue publicado por AI Singapore, en el país registrado como Singapore, durante August 2025. La categoría en la que se encuentra el editor es government.
Funciona en el dominio de Multimodal, Language, Vision, y se registra como realizando la tarea de language modeling/generation, Question answering, Visual question answering.
En lugar de ser entrenado desde cero, se deriva de Gemma 3 27B. Esa es la forma habitual en que se produce un modelo especializado.
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. En Hugging Face está publicado bajo la organización aisingapore.
Leyendo las cifras de rendimiento
En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 19.0 tokens por segundo. Excediendo velocidad de lectura directamente: 196 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.
Debido a que la arquitectura está registrada, la columna de memoria se deriva en lugar de estimarse.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.3 × 10²⁴ FLOP, en hardware registrado como NVIDIA H200 SXM. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 500,000,000,000 tokens de texto
Paso a paso
Cómo elegir una GPU para Gemma-SEA-LION-v4-27B-IT
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
Empieza desde lo que realmente necesita, que es el requerimiento de Gemma-SEA-LION-v4-27B-IT, necesitando alrededor 13.3 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
-
02
Establece la longitud de contexto en la que trabajarás.
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 Gemma-SEA-LION-v4-27B-IT.
-
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
Clasifica por rendimiento en lugar de la hoja de especificaciones.
El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para Gemma-SEA-LION-v4-27B-IT. 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 125 tok/s
-
05
Lee la columna de ajuste al final
Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de Gemma-SEA-LION-v4-27B-IT. 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
Mira qué más ejecuta esa tarjeta
Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de Gemma-SEA-LION-v4-27B-IT.
Respuestas
Gemma-SEA-LION-v4-27B-IT — preguntas comunes
Gemma-SEA-LION-v4-27B-IT— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Language, Vision, y se registra como manejando la tarea de language modeling/generation, Question answering, Visual question answering. 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.
Gemma-SEA-LION-v4-27B-IT— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización aisingapore. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Gemma-SEA-LION-v4-27B-IT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.3 × 10²⁴ FLOP, en hardware registrado como NVIDIA H200 SXM. 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.
Gemma-SEA-LION-v4-27B-IT— ¿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 5.6 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
Gemma-SEA-LION-v4-27B-IT— ¿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: 241. Así que una segunda tarjeta rara vez es la respuesta aquí.
Gemma-SEA-LION-v4-27B-IT— ¿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: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
Gemma-SEA-LION-v4-27B-IT— ¿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: 107–151 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.
Gemma-SEA-LION-v4-27B-IT— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es Xeon Phi 7120P, con una capacidad de memoria de 16 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 13.3 GB, y produce aproximadamente 9.7 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 241.
Gemma-SEA-LION-v4-27B-IT— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 125 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: 196.
Gemma-SEA-LION-v4-27B-IT— ¿Cuánta VRAM necesita?
Necesita aproximadamente 13.3 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.
Gemma-SEA-LION-v4-27B-IT— ¿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 Q3_K_M, usando alrededor 13.3 GB y generando aproximadamente 47.8 tokens por segundo. El ajuste es ajustado.
Gemma-SEA-LION-v4-27B-IT— ¿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 Q5_K_M, usando alrededor 19.5 GB y generando aproximadamente 37.5 tokens por segundo. El ajuste es ajustado.
Gemma-SEA-LION-v4-27B-IT— ¿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.
Gemma-SEA-LION-v4-27B-IT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 27B. 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.
Gemma-SEA-LION-v4-27B-IT— ¿Quién lo creó?
Fue publicado por AI Singapore, basado en Singapore, una organización categorizada como government.
Gemma-SEA-LION-v4-27B-IT— ¿cuándo fue lanzado?
Se publicó en August 2025.
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.