wave2vec 2.0 LARGE calculadora TPS

Abre pesos Facebook 317M parámetros October 2020

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 · 116 tok/s

Tarjeta más rápida

B200

10,688 tok/s · 180 GB

¿Qué GPU pueden ejecutar? wave2vec 2.0 LARGE?

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..

818 las tarjetas coinciden

Calculando
Necesita Cuantización Ajustar
10,688 tok/s

6,413–17,102 · baja confianza

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.0 GB Q8_0 Cómodo
10,688 tok/s

6,413–17,102 · baja confianza

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.0 GB Q8_0 Cómodo
8,535 tok/s

5,121–13,656 · baja confianza

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Cómodo
8,535 tok/s

5,121–13,656 · baja confianza

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Cómodo
6,826 tok/s

4,096–10,921 · baja confianza

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.0 GB Q8_0 Cómodo
6,533 tok/s

3,920–10,453 · baja confianza

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Cómodo
6,533 tok/s

3,920–10,453 · baja confianza

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Cómodo
6,253 tok/s

3,752–10,004 · baja confianza

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.0 GB Q8_0 Cómodo
5,549 tok/s

3,330–8,879 · baja confianza

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Cómodo
5,549 tok/s

3,330–8,879 · baja confianza

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Cómodo
5,549 tok/s

3,330–8,879 · baja confianza

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Cómodo
5,264 tok/s

3,158–8,422 · baja confianza

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.0 GB Q8_0 Cómodo
4,489 tok/s

2,693–7,183 · baja confianza

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Cómodo
4,489 tok/s

2,693–7,183 · baja confianza

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.0 GB Q8_0 Cómodo
4,489 tok/s

2,693–7,183 · baja confianza

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Cómodo
4,489 tok/s

2,693–7,183 · baja confianza

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Cómodo
4,489 tok/s

2,693–7,183 · baja confianza

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Cómodo
3,418 tok/s

2,051–5,469 · baja confianza

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Cómodo
3,418 tok/s

2,051–5,469 · baja confianza

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Cómodo
2,848 tok/s

1,709–4,558 · baja confianza

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.0 GB Q8_0 Cómodo
2,788 tok/s

1,673–4,460 · baja confianza

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.0 GB Q8_0 Cómodo
2,726 tok/s

1,635–4,361 · baja confianza

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.0 GB Q8_0 Cómodo
2,726 tok/s

1,635–4,361 · baja confianza

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.0 GB Q8_0 Cómodo
2,726 tok/s

1,635–4,361 · baja confianza

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.0 GB Q8_0 Cómodo
2,726 tok/s

1,635–4,361 · baja confianza

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.0 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
Facebook
Tipo de Organización
Industry
País
United States of America
Publicado
22 October 2020
Autores
Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

Lo que hace

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

Dominio
Speech
Tarea
Speech completion
Enfoque
Self-supervised learning

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
317M

Section 5.1: "We consider two model sizes: BASE (95m parameters) and LARGE (317m parameters)

Datos de entrenamiento
4,598,395,200 tokens

pg 4, section 4.1 "As unlabeled data we consider the Librispeech corpus [40] without transcriptions containing 960 hours of audio (LS-960) or the audio data from LibriVox (LV-60k). For the latter we follow the preprocessing of [27] resulting in 53.2k hours of audio." 53.2k h * 13,680 words/h = 727776000 words

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
3.9 × 10²¹ FLOP

From surveying the authors: We trained the base model on 64 V100 GPUs for 400k updates. This takes about 3 days to complete. The large model is trained on 128 V100 GPUs for 1 million updates, and this takes about 7 days to complete. V100 GPU peak: 125TFLOP/s (https://www.nvidia.com/en-gb/data-center/tesla-v100/) Assume 40% utilization based on default for non-Language domain (https://epoch.ai/blog/estimating-training-compute) 128 GPUs * 40% * 125TFLOP/s * 7 days * 24h/day * 3600s/h ~= 3.87072…

Cómo se estableció
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 Tesla V100 DGXS 32 GB
Costo de cómputo
$5,021

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

https://github.com/facebookresearch/fairseq/blob/1bba712622b8ae4efb3eb793a8a40da386fe11d0/examples/wav2vec/README.md fairseq(-py) is MIT-licensed. The license applies to the pre-trained models as well. Repo contains weights and pretrain and finetune code

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
Highly cited,SOTA improvement

Arguably an "important" paper? Abstract: "We show for the first time that learning powerful representations from speech audio alone followed by fine-tuning on transcribed speech can outperform the best semi-supervised methods while being conceptually simpler."

Confianza de registro
Confident
Citas
8,294

Fuentes

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

Referencia
wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations
Última actualización
25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan wave2vec 2.0 LARGE

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 10,688 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 10,688 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 8,535 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 8,535 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,826 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 6,533 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 6,533 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 6,253 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,549 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,549 tok/s

Las GPUs más pequeñas que aún funcionan wave2vec 2.0 LARGE

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..

  1. 01 GeForce RTX 4010 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 128 tok/s
  2. 02 RTX A400 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 128 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 171 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 257 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 45.6 tok/s
  6. 06 Radeon RX 6450M 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 133 tok/s
  7. 07 Radeon RX 6550M 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 150 tok/s
  8. 08 Radeon RX 6550S 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 133 tok/s
  9. 09 Arc A310 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 108 tok/s
  10. 10 Arc Pro A30M 4 GB · Necesita 1.0 GB · Q8_0 · Cómodo 111 tok/s

Qué significan los números

Requisitos de hardware en la práctica

Mínima tarjeta

Tesla C1080

Memoria necesaria

1.0 GB

Más rápido

10,688 tok/s

wave2vec 2.0 LARGE llega a un recuento de parámetros de 317M. 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 Q8_0 y produciendo alrededor 116 tokens por segundo

Gama alta es B200, generando aproximadamente 10,688 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

wave2vec 2.0 LARGE fue publicado por Facebook, en el país registrado como United States of America, durante October 2020. La organización editora está clasificada como industry.

Funciona en el dominio de Speech, y se registra como realizando la tarea de speech completion.

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.

Qué decide la velocidad

El resultado mediano es alrededor de 300.1 tokens por segundo. Excediendo velocidad de lectura directamente: 818 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.

Cómo fue entrenado

Entrenarlo tomó un presupuesto de computación de aproximadamente 3.9 × 10²¹ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 32 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El entrenamiento consumió un corpus de alrededor de 4,598,395,200 tokens de texto

La razón por la que aparece en este catálogo en absoluto: highly cited,SOTA improvement.

Paso a paso

Cómo elegir una GPU para wave2vec 2.0 LARGE

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..

  1. 01

    Comienza desde la columna de memoria

    Empieza desde lo que realmente necesita, que es el requerimiento de wave2vec 2.0 LARGE, necesitando alrededor 1.0 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.

  2. 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 wave2vec 2.0 LARGE.

  3. 03

    Establecer un umbral de calidad

    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.

  4. 04

    Clasifica por rendimiento en lugar de la hoja de especificaciones.

    Ordenar por velocidad para ver cómo se clasifican las tarjetas por wave2vec 2.0 LARGE. 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 10,688 tok/s

  5. 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 wave2vec 2.0 LARGE. 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.

  6. 06

    Mira qué más ejecuta esa tarjeta

    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 wave2vec 2.0 LARGE.

Respuestas

wave2vec 2.0 LARGE — preguntas comunes

01

wave2vec 2.0 LARGE— ¿Para qué se utiliza?

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

02

wave2vec 2.0 LARGE— ¿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.

03

wave2vec 2.0 LARGE— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 3.9 × 10²¹ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 32 GB. 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.

04

wave2vec 2.0 LARGE— ¿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.

05

wave2vec 2.0 LARGE— ¿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.

06

wave2vec 2.0 LARGE— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

07

wave2vec 2.0 LARGE— ¿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: 6,413–17,102 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.

08

wave2vec 2.0 LARGE— ¿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 1.0 GB, y produce aproximadamente 116 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

09

wave2vec 2.0 LARGE— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 10,688 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.

10

wave2vec 2.0 LARGE— ¿Cuánta VRAM necesita?

Necesita aproximadamente 1.0 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.

11

wave2vec 2.0 LARGE— ¿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 1.0 GB y generando aproximadamente 1,991 tokens por segundo. El ajuste es cómodo.

12

wave2vec 2.0 LARGE— ¿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 1.0 GB y generando aproximadamente 1,219 tokens por segundo. El ajuste es cómodo.

13

wave2vec 2.0 LARGE— ¿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 1.0 GB y generando aproximadamente 1,510 tokens por segundo. El ajuste es cómodo.

14

wave2vec 2.0 LARGE— ¿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 1.0 GB y generando aproximadamente 1,790 tokens por segundo. El ajuste es cómodo.

15

wave2vec 2.0 LARGE— ¿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.

16

wave2vec 2.0 LARGE— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 317M. Section 5.1: "We consider two model sizes: BASE (95m parameters) and LARGE (317m 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.

17

wave2vec 2.0 LARGE— ¿Quién lo creó?

Fue publicado por Facebook, basado en United States of America, una organización categorizada como industry.

18

wave2vec 2.0 LARGE— ¿cuándo fue lanzado?

Se publicó en October 2020. 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.

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