DEQ-Transformer (Post-LN) + Jacobian Regularisation calculadora TPS

Abre pesos Carnegie Mellon University (CMU),Intel Labs 98M parámetros June 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 · 376 tok/s

Tarjeta más rápida

B200

34,574 tok/s · 180 GB

¿Qué GPU pueden ejecutar? DEQ-Transformer (Post-LN) + Jacobian Regularisation?

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
34,574 tok/s 20,744–55,318 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Cómodo
34,574 tok/s 20,744–55,318 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Cómodo
27,608 tok/s 16,565–44,173 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
27,608 tok/s 16,565–44,173 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
22,080 tok/s 13,248–35,328 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
21,133 tok/s 12,680–33,813 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
21,133 tok/s 12,680–33,813 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
20,226 tok/s 12,135–32,361 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Cómodo
17,950 tok/s 10,770–28,720 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
17,950 tok/s 10,770–28,720 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
17,950 tok/s 10,770–28,720 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
17,028 tok/s 10,217–27,244 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
14,521 tok/s 8,713–23,234 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
14,521 tok/s 8,713–23,234 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Cómodo
14,521 tok/s 8,713–23,234 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
14,521 tok/s 8,713–23,234 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
14,521 tok/s 8,713–23,234 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
11,057 tok/s 6,634–17,691 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
11,057 tok/s 6,634–17,691 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
9,214 tok/s 5,528–14,742 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
9,017 tok/s 5,410–14,428 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
8,816 tok/s 5,290–14,106 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Cómodo
8,816 tok/s 5,290–14,106 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Cómodo
8,816 tok/s 5,290–14,106 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Cómodo
8,816 tok/s 5,290–14,106 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: Carnegie Mellon University (CMU),Intel Labs
Tipo de Organización: Academia,Industry
País: United States of America
Publicado: 28 June 2021
Autores: Shaojie Bai, Vladlen Koltun, J. Zico Kolter

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

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: 98M
Datos de entrenamiento: tokens
Épocas: 23

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: 2.9 × 10¹⁹ FLOP
Cómo se estableció: Operation counting,Hardware

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 GeForce RTX 2080 Ti 11GB
Chips utilizados: 4
Tiempo de reloj: 250 hours (10.4 days)
Consumo de energía: 2.0 kW

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.

Confianza de registro: Likely
Citas: 81
Datos de referencia: DEQ-Transformer (Post-LN) + Jacobian Regularisation

Fuentes

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

Referencia: Stabilizing Equilibrium Models by Jacobian Regularization
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan DEQ-Transformer (Post-LN) + Jacobian Regularisation

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 DEQ-Transformer (Post-LN) + Jacobian Regularisation

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 se necesita para ejecutar este modelo

Mínima tarjeta

Tesla C1080

Memoria necesaria

0.8 GB

Más rápido

34,574 tok/s

DEQ-Transformer (Post-LN) + Jacobian Regularisation llega a un recuento de parámetros de 98M. 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.

La tarjeta más pequeña que lo sostiene es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 376 tokens por segundo

Gama alta es B200, generando aproximadamente 34,574 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

DEQ-Transformer (Post-LN) + Jacobian Regularisation fue publicado por Carnegie Mellon University (CMU),Intel Labs, en el país registrado como United States of America, durante June 2021. Sale de una organización categorizada como academia,Industry.

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

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 decide la velocidad

El resultado mediano es alrededor de 970.8 tokens por segundo. Excediendo velocidad de lectura directamente: 818 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.

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.

Cómo fue entrenado

Producirlo requirió una aritmética que totaliza alrededor de 2.9 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce RTX 2080 Ti 11GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Paso a paso

Cómo elegir una GPU para DEQ-Transformer (Post-LN) + Jacobian Regularisation

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

Empieza desde lo que realmente necesita, que es el requerimiento de DEQ-Transformer (Post-LN) + Jacobian Regularisation, necesitando alrededor 0.8 GB a una compresión de Q8_0. 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. DEQ-Transformer (Post-LN) + Jacobian Regularisation.
03

Elige cuán lejos lo comprimirás.

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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

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 DEQ-Transformer (Post-LN) + Jacobian Regularisation. 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 34,574 tok/s
05

Mira el margen, no solo la compatibilidad.

Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de DEQ-Transformer (Post-LN) + Jacobian Regularisation. 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

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. DEQ-Transformer (Post-LN) + Jacobian Regularisation.

Respuestas

DEQ-Transformer (Post-LN) + Jacobian Regularisation — preguntas comunes

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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: 20,744–55,318 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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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 0.8 GB, y produce aproximadamente 376 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 34,574 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: 818.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.8 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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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 0.8 GB y generando aproximadamente 6,439 tokens por segundo. El ajuste es cómodo.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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 0.8 GB y generando aproximadamente 3,943 tokens por segundo. El ajuste es cómodo.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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 0.8 GB y generando aproximadamente 4,884 tokens por segundo. El ajuste es cómodo.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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 0.8 GB y generando aproximadamente 5,791 tokens por segundo. El ajuste es cómodo.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 98M. 98M (Table 1). 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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿Quién lo creó?

Fue publicado por Carnegie Mellon University (CMU),Intel Labs, basado en United States of America, una organización categorizada como academia,Industry.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿cuándo fue lanzado?

Se publicó en June 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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 2.9 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce RTX 2080 Ti 11GB. 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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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.

DEQ-Transformer (Post-LN) + Jacobian Regularisation— ¿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.

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