Zidong Taichu calculadora TPS

Abre pesos Chinese Academy of Sciences,Wuhan AI Computing Center 3.2B parámetros August 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 · Q6_K · 16.7 tok/s

Tarjeta más rápida

B200

1,059 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Zidong Taichu?

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
1,059 tok/s 635–1,694 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	4.1 GB	Q8_0	Cómodo
1,059 tok/s 635–1,694 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	4.1 GB	Q8_0	Cómodo
846 tok/s 507–1,353 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	4.1 GB	Q8_0	Cómodo
846 tok/s 507–1,353 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	4.1 GB	Q8_0	Cómodo
676 tok/s 406–1,082 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	4.1 GB	Q8_0	Cómodo
647 tok/s 388–1,036 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.1 GB	Q8_0	Cómodo
647 tok/s 388–1,036 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.1 GB	Q8_0	Cómodo
619 tok/s 372–991 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	4.1 GB	Q8_0	Cómodo
550 tok/s 330–880 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	4.1 GB	Q8_0	Cómodo
550 tok/s 330–880 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	4.1 GB	Q8_0	Cómodo
550 tok/s 330–880 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	4.1 GB	Q8_0	Cómodo
521 tok/s 313–834 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	4.1 GB	Q8_0	Cómodo
445 tok/s 267–712 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.1 GB	Q8_0	Cómodo
445 tok/s 267–712 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	4.1 GB	Q8_0	Cómodo
445 tok/s 267–712 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	4.1 GB	Q8_0	Cómodo
445 tok/s 267–712 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.1 GB	Q8_0	Cómodo
445 tok/s 267–712 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	4.1 GB	Q8_0	Cómodo
339 tok/s 203–542 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	4.1 GB	Q8_0	Cómodo
339 tok/s 203–542 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	4.1 GB	Q8_0	Cómodo
282 tok/s 169–451 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	4.1 GB	Q8_0	Cómodo
276 tok/s 166–442 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	4.1 GB	Q8_0	Cómodo
270 tok/s 162–432 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	4.1 GB	Q8_0	Cómodo
270 tok/s 162–432 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	4.1 GB	Q8_0	Cómodo
270 tok/s 162–432 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	4.1 GB	Q8_0	Cómodo
270 tok/s 162–432 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	4.1 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: Chinese Academy of Sciences,Wuhan AI Computing Center
Tipo de Organización: Academia,Government
País: China
Publicado: 11 August 2021

Lo que hace

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

Dominio: Multimodal, Speech, Vision, Language
Tarea: Language modeling/generation, Speech recognition (ASR), Image captioning

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: 3.2B
Datos de entrenamiento: 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: 8 × 10²⁰ FLOP
Cómo se estableció: Operation counting

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: Unreleased

Cómo está clasificado

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

Por qué se rastrea: Historical significance
Confianza de registro: Confident

Fuentes

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

Referencia: Zidong Ancestral multi-modal large model
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Zidong Taichu

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 Zidong Taichu

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

Requisitos de hardware en la práctica

Mínima tarjeta

Tesla C1080

Memoria necesaria

3.4 GB

Más rápido

1,059 tok/s

Zidong Taichu llega a un recuento de parámetros de 3.2B. 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 punto de entrada es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q6_K y produciendo alrededor 16.7 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 1,059 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

Zidong Taichu fue publicado por Chinese Academy of Sciences,Wuhan AI Computing Center, en el país registrado como China, durante August 2021. La organización editora está clasificada como academia,Government.

Funciona en el dominio de Multimodal, Speech, Vision, Language, y se registra como realizando la tarea de language modeling/generation, Speech recognition (ASR), Image captioning.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.

Qué decide la velocidad

La mitad de las tarjetas que lo sostienen gestionan más de 33.6 tokens por segundo. Excediendo velocidad de lectura directamente: 779 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.

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.

Entrenamiento y procedencia

Entrenarlo tomó un presupuesto de computación de aproximadamente 8 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

La razón por la que aparece en este catálogo en absoluto: historical significance.

Paso a paso

Cómo elegir una GPU para Zidong Taichu

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

Lee la cifra de MEMORIA primero

Cada tarjeta aquí ha sido verificada contra Zidong Taichu, necesitando alrededor 3.4 GB a una compresión de Q6_K. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Decide cuánto duran tus conversaciones.

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. Zidong Taichu.
03

Elige cuán lejos lo comprimirás.

Cada tarjeta ejecuta la copia menos comprimida que puede contener., alcanzando una compresión de Q6_K 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

Compara tokens por segundo, no especificaciones

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para Zidong Taichu. 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 1,059 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Zidong Taichu. 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 Zidong Taichu.

Respuestas

Zidong Taichu — preguntas comunes

Zidong Taichu— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 3.2B. 共32亿参数 translated as A total of 3.2 billion 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.

Zidong Taichu— ¿Quién lo creó?

Fue publicado por Chinese Academy of Sciences,Wuhan AI Computing Center, basado en China, una organización categorizada como academia,Government.

Zidong Taichu— ¿cuándo fue lanzado?

Se publicó en August 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.

Zidong Taichu— ¿Para qué se utiliza?

Funciona en el dominio de Multimodal, Speech, Vision, Language, y se registra como manejando la tarea de language modeling/generation, Speech recognition (ASR), Image captioning. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Zidong Taichu— ¿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.

Zidong Taichu— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 8 × 10²⁰ FLOP. 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.

Zidong Taichu— ¿Puedo ejecutarlo si no cabe en mi GPU?

Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Zidong Taichu— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Zidong Taichu— ¿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: 2. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Zidong Taichu— ¿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: 635–1,694 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.

Zidong Taichu— ¿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 Q6_K usando alrededor 3.4 GB, y produce aproximadamente 16.7 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Zidong Taichu— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 1,059 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: 779.

Zidong Taichu— ¿Cuánta VRAM necesita?

Necesita aproximadamente 3.4 GB a una compresión de Q6_K, 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.

Zidong Taichu— ¿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 4.1 GB y generando aproximadamente 197 tokens por segundo. El ajuste es cómodo.

Zidong Taichu— ¿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 4.1 GB y generando aproximadamente 121 tokens por segundo. El ajuste es cómodo.

Zidong Taichu— ¿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 4.1 GB y generando aproximadamente 150 tokens por segundo. El ajuste es cómodo.

Zidong Taichu— ¿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 4.1 GB y generando aproximadamente 177 tokens por segundo. El ajuste es cómodo.

Zidong Taichu— ¿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.

Origen

Publicación original

Última actualización registrada 28 November 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.

Todos los modelos de IA