MoE-1.1T 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
¿Qué GPU pueden ejecutar? MoE-1.1T?
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..
0 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
Ninguna tarjeta en nuestro catálogo puede ejecutar este modelo con estas configuraciones.. |
|||||||
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
- 20 December 2021
- Autores
- Mikel Artetxe, Shruti Bhosale, Naman Goyal, Todor Mihaylov, Myle Ott, Sam Shleifer, Xi Victoria Lin, Jingfei Du, Srinivasan Iyer, Ramakanth Pasunuru, Giri Anantharaman, Xian Li, Shuohui Chen, Halil Akin, Mandeep Baines, Louis Martin, Xing Zhou, Punit Singh Koura, Brian O'Horo, Jeff Wang, Luke Zettlemoyer, Mona Diab, Zornitsa Kozareva, 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/generation, Question answering
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
- 1.1T
- Datos de entrenamiento
- 112,000,000,000 tokens
- Épocas
- 2.68
112B tokens, or 84B words at 0.75 English words/token. "We pretrain our models on a union of six Englishlanguage datasets, including the five datasets used to pretrain RoBERTa (Liu et al., 2019) and the English subset of CC100, totalling 112B 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
- 2.2 × 10²² FLOP
- Cómo se estableció
- Reported
Reported directly in paper. Authors calculate FLOPs analytically in appendix G
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
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
for research use only https://github.com/facebookresearch/fairseq/tree/main/examples/moe_lm I don't see training code
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
- 241
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Efficient Large Scale Language Modeling with Mixtures of Experts
- Última actualización
- 25 May 2026
Qué significan los números
Requisitos de hardware en la práctica
MoE-1.1T llega a un recuento de parámetros de 1.1T. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 0.
De dónde vino
MoE-1.1T fue publicado por Meta AI, en el país registrado como United States of America, durante December 2021. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Question answering.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 2.2 × 10²² 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.
Fue entrenado en un corpus de aproximadamente 112,000,000,000 tokens de texto
Paso a paso
Cómo elegir una GPU para MoE-1.1T
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
Cada tarjeta aquí ha sido verificada contra MoE-1.1T. 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 MoE-1.1T.
-
03
Elige cuán lejos lo comprimirás.
Cada tarjeta ejecuta la copia menos comprimida que puede contener.. 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
Compara tokens por segundo, no especificaciones
Ordenar por velocidad para ver cómo se clasifican las tarjetas por MoE-1.1T. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria.
-
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 MoE-1.1T. 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 MoE-1.1T.
Respuestas
MoE-1.1T — preguntas comunes
MoE-1.1T— ¿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.
MoE-1.1T— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.1T. 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.
MoE-1.1T— ¿Quién lo creó?
Fue publicado por Meta AI, basado en United States of America, una organización categorizada como industry.
MoE-1.1T— ¿cuándo fue lanzado?
Se publicó en December 2021. 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.
MoE-1.1T— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
MoE-1.1T— ¿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.
MoE-1.1T— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.2 × 10²² 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.
MoE-1.1T— ¿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 407.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
MoE-1.1T— ¿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: 0. Así que una segunda tarjeta rara vez es la respuesta aquí.
MoE-1.1T— ¿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.
MoE-1.1T— ¿Qué tan precisas son estas estimaciones de velocidad?
Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: el rango debajo de cada cifra. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
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.