Selfish-RNN (SNT-ASGD) Stacked LSTMs calculadora TPS

Abre pesos Eindhoven University of Technology,University of Twente 25.2M parámetros January 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 · 1,463 tok/s

Tarjeta más rápida

B200

134,454 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Selfish-RNN (SNT-ASGD) Stacked LSTMs?

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
134,454 tok/s 80,672–215,126 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Cómodo
134,454 tok/s 80,672–215,126 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Cómodo
107,365 tok/s 64,419–171,784 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Cómodo
107,365 tok/s 64,419–171,784 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Cómodo
85,866 tok/s 51,519–137,385 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
82,185 tok/s 49,311–131,496 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Cómodo
82,185 tok/s 49,311–131,496 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Cómodo
78,655 tok/s 47,193–125,849 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Cómodo
69,807 tok/s 41,884–111,691 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
69,807 tok/s 41,884–111,691 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
69,807 tok/s 41,884–111,691 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
66,218 tok/s 39,731–105,950 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
56,471 tok/s 33,882–90,353 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
56,471 tok/s 33,882–90,353 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Cómodo
56,471 tok/s 33,882–90,353 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
56,471 tok/s 33,882–90,353 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
56,471 tok/s 33,882–90,353 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
42,998 tok/s 25,799–68,797 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Cómodo
42,998 tok/s 25,799–68,797 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Cómodo
35,832 tok/s 21,499–57,331 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
35,067 tok/s 21,040–56,108 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
34,286 tok/s 20,571–54,857 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Cómodo
34,286 tok/s 20,571–54,857 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Cómodo
34,286 tok/s 20,571–54,857 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Cómodo
34,286 tok/s 20,571–54,857 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Eindhoven University of Technology,University of Twente
Tipo de Organización: Academia,Academia
País: Netherlands
Publicado: 22 January 2021
Autores: Shiwei Liu, Decebal Constantin Mocanu, Yulong Pei, Mykola Pechenizkiy

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: 25.2M
Datos de entrenamiento: 912,344 tokens
Épocas: 100

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: 1.2 × 10¹⁶ FLOP
Cómo se estableció: Reported,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 (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.

Confianza de registro: Confident
Citas: 43
Datos de referencia: Selfish-RNN (SNT-ASGD) Stacked LSTMs

Fuentes

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

Referencia: Selfish Sparse RNN Training
Última actualización: 11 February 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs

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

0.7 GB

Más rápido

134,454 tok/s

Selfish-RNN (SNT-ASGD) Stacked LSTMs llega a un recuento de parámetros de 25.2M. 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 1,463 tokens por segundo

Gama alta es B200, generando aproximadamente 134,454 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

Selfish-RNN (SNT-ASGD) Stacked LSTMs fue publicado por Eindhoven University of Technology,University of Twente, en el país registrado como Netherlands, durante January 2021. Sale de una organización categorizada como academia,Academia.

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

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.

Entendiendo las velocidades

La mitad de las tarjetas que lo sostienen gestionan más de 3,775.5 tokens por segundo. Excediendo velocidad de lectura directamente: 818 de ellos.

Siendo denso, lee todo de sí mismo por token, razón por la cual el orden según velocidad a continuación sigue tan de cerca el orden por ancho de banda de memoria.

La memoria aquí se estima a partir del tamaño en lugar de calcularse a partir de la arquitectura, que no se registra para este modelo — los números son indicativos en lugar de exactos.

Cómo fue entrenado

Producirlo requirió una aritmética que totaliza alrededor de 1.2 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El conjunto de entrenamiento se ejecutó a aproximadamente 912,344 tokens de texto

Paso a paso

Cómo elegir una GPU para Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs, necesitando alrededor 0.7 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.

La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. Selfish-RNN (SNT-ASGD) Stacked LSTMs.
03

Decide cuánto compresión aceptarás

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

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 134,454 tok/s
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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para Selfish-RNN (SNT-ASGD) Stacked LSTMs.

Respuestas

Selfish-RNN (SNT-ASGD) Stacked LSTMs — preguntas comunes

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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 0.7 GB, y produce aproximadamente 1,463 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 134,454 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.7 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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 0.7 GB y generando aproximadamente 25,042 tokens por segundo. El ajuste es cómodo.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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 0.7 GB y generando aproximadamente 15,334 tokens por segundo. El ajuste es cómodo.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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 0.7 GB y generando aproximadamente 18,992 tokens por segundo. El ajuste es cómodo.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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 0.7 GB y generando aproximadamente 22,521 tokens por segundo. El ajuste es cómodo.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 25.2M. 25.2M (Table 2). 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿Quién lo creó?

Fue publicado por Eindhoven University of Technology,University of Twente, basado en Netherlands, una organización categorizada como academia,Academia.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿cuándo fue lanzado?

Se publicó en January 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 1.2 × 10¹⁶ 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— ¿Qué tan precisas son estas estimaciones de velocidad?

Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 80,672–215,126 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.

Origen

Publicación original

Última actualización registrada 11 February 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