Japanese dialog transformers calculadora TPS

Abre pesos NTT Communication Science Laboratories 1.6B parámetros November 2021

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 pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · Q8_0 · 23.0 tok/s

Tarjeta más rápida

B200

2,118 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Japanese dialog transformers?

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.

818 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
2,118 tok/s 1,271–3,388 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.4 GB	Q8_0	Cómodo
2,118 tok/s 1,271–3,388 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.4 GB	Q8_0	Cómodo
1,691 tok/s 1,015–2,706 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.4 GB	Q8_0	Cómodo
1,691 tok/s 1,015–2,706 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.4 GB	Q8_0	Cómodo
1,352 tok/s 811–2,164 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.4 GB	Q8_0	Cómodo
1,294 tok/s 777–2,071 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.4 GB	Q8_0	Cómodo
1,294 tok/s 777–2,071 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.4 GB	Q8_0	Cómodo
1,239 tok/s 743–1,982 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.4 GB	Q8_0	Cómodo
1,099 tok/s 660–1,759 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.4 GB	Q8_0	Cómodo
1,099 tok/s 660–1,759 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.4 GB	Q8_0	Cómodo
1,099 tok/s 660–1,759 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.4 GB	Q8_0	Cómodo
1,043 tok/s 626–1,669 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.4 GB	Q8_0	Cómodo
889 tok/s 534–1,423 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.4 GB	Q8_0	Cómodo
889 tok/s 534–1,423 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.4 GB	Q8_0	Cómodo
889 tok/s 534–1,423 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.4 GB	Q8_0	Cómodo
889 tok/s 534–1,423 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.4 GB	Q8_0	Cómodo
889 tok/s 534–1,423 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.4 GB	Q8_0	Cómodo
677 tok/s 406–1,084 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.4 GB	Q8_0	Cómodo
677 tok/s 406–1,084 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.4 GB	Q8_0	Cómodo
564 tok/s 339–903 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.4 GB	Q8_0	Cómodo
552 tok/s 331–884 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.4 GB	Q8_0	Cómodo
540 tok/s 324–864 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.4 GB	Q8_0	Cómodo
540 tok/s 324–864 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.4 GB	Q8_0	Cómodo
540 tok/s 324–864 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.4 GB	Q8_0	Cómodo
540 tok/s 324–864 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.4 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: NTT Communication Science Laboratories
Tipo de Organización: Industry
País: Japan
Publicado: 9 November 2021
Autores: Hiroaki Sugiyama, Masahiro Mizukami, Tsunehiro Arimoto, Hiromi Narimatsu, Yuya Chiba, Hideharu Nakajima, Toyomi Meguro

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, Language modeling/generation

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: 1.6B
Datos de entrenamiento: 42,630,000,000 tokens

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 (non-commercial)

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Citas: 59

Fuentes

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

Referencia: Empirical Analysis of Training Strategies of Transformer-based Japanese Chit-chat Systems
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Japanese dialog transformers

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 Japanese dialog transformers

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 necesitas para ejecutar esto

Mínima tarjeta

Tesla C1080

Memoria necesaria

2.4 GB

Más rápido

2,118 tok/s

Japanese dialog transformers llega a un recuento de parámetros de 1.6B. 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: 818.

El hardware mínimo que funciona es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 23.0 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 2,118 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

Japanese dialog transformers fue publicado por NTT Communication Science Laboratories, en el país registrado como Japan, durante November 2021. La organización editora está clasificada como industry.

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

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.

Qué tan rápido corre, y por qué

La mitad de las tarjetas que lo sostienen gestionan más de 59.5 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 794 de ellos.

Es un modelo denso, por lo que cada parámetro se lee para cada token producido. Eso hace que la velocidad rastree el ancho de banda de la memoria casi exactamente: una tarjeta con el doble de ancho de banda genera aproximadamente el doble de rápido.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Qué se necesitó para construirlo

Fue entrenado en un corpus de aproximadamente 42,630,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para Japanese dialog transformers

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 Japanese dialog transformers, necesitando alrededor 2.4 GB a una compresión de Q8_0. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Establece la longitud de contexto en la que trabajarás.

Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. Japanese dialog transformers.
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q8_0 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

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Japanese dialog transformers. 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 2,118 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 Japanese dialog transformers. 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

Abre la tarjeta que has elegido.

Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de Japanese dialog transformers.

Respuestas

Japanese dialog transformers — preguntas comunes

Japanese dialog transformers— ¿Quién lo creó?

Fue publicado por NTT Communication Science Laboratories, basado en Japan, una organización categorizada como industry.

Japanese dialog transformers— ¿cuándo fue lanzado?

Se publicó en November 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.

Japanese dialog transformers— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de chat, Language modeling/generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Japanese dialog transformers— ¿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.

Japanese dialog transformers— ¿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. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Japanese dialog transformers— ¿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: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Japanese dialog transformers— ¿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.

Japanese dialog transformers— ¿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: 1,271–3,388 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.

Japanese dialog transformers— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla C1080, con una capacidad de memoria de 4 GB. Funciona el modelo a una compresión de Q8_0 usando alrededor 2.4 GB, y produce aproximadamente 23.0 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Japanese dialog transformers— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 2,118 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: 794.

Japanese dialog transformers— ¿Cuánta VRAM necesita?

Necesita aproximadamente 2.4 GB a una compresión de Q8_0, 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.

Japanese dialog transformers— ¿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 Q8_0, usando alrededor 2.4 GB y generando aproximadamente 394 tokens por segundo. El ajuste es cómodo.

Japanese dialog transformers— ¿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 2.4 GB y generando aproximadamente 242 tokens por segundo. El ajuste es cómodo.

Japanese dialog transformers— ¿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 2.4 GB y generando aproximadamente 299 tokens por segundo. El ajuste es cómodo.

Japanese dialog transformers— ¿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 2.4 GB y generando aproximadamente 355 tokens por segundo. El ajuste es cómodo.

Japanese dialog transformers— ¿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.

Japanese dialog transformers— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 1.6B. "We examined the improvement in model size in detail by considering four model sizes: 0.35B, 0.7B, 1.1B, and 1.6B parameters". 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.

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