Adaptive Inputs + LayerDrop calculadora TPS

Abre pesos Facebook AI Research,LORIA 423M parámetros September 2019

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 · 87.2 tok/s

Tarjeta más rápida

B200

8,010 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Adaptive Inputs + LayerDrop?

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
8,010 tok/s

4,806–12,816 · baja confianza

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.2 GB Q8_0 Cómodo
8,010 tok/s

4,806–12,816 · baja confianza

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.2 GB Q8_0 Cómodo
6,396 tok/s

3,838–10,234 · baja confianza

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Cómodo
6,396 tok/s

3,838–10,234 · baja confianza

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Cómodo
5,115 tok/s

3,069–8,185 · baja confianza

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.2 GB Q8_0 Cómodo
4,896 tok/s

2,938–7,834 · baja confianza

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Cómodo
4,896 tok/s

2,938–7,834 · baja confianza

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Cómodo
4,686 tok/s

2,812–7,497 · baja confianza

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.2 GB Q8_0 Cómodo
4,159 tok/s

2,495–6,654 · baja confianza

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Cómodo
4,159 tok/s

2,495–6,654 · baja confianza

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Cómodo
4,159 tok/s

2,495–6,654 · baja confianza

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Cómodo
3,945 tok/s

2,367–6,312 · baja confianza

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.2 GB Q8_0 Cómodo
3,364 tok/s

2,019–5,383 · baja confianza

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Cómodo
3,364 tok/s

2,019–5,383 · baja confianza

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.2 GB Q8_0 Cómodo
3,364 tok/s

2,019–5,383 · baja confianza

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Cómodo
3,364 tok/s

2,019–5,383 · baja confianza

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Cómodo
3,364 tok/s

2,019–5,383 · baja confianza

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Cómodo
2,562 tok/s

1,537–4,099 · baja confianza

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Cómodo
2,562 tok/s

1,537–4,099 · baja confianza

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Cómodo
2,135 tok/s

1,281–3,415 · baja confianza

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.2 GB Q8_0 Cómodo
2,089 tok/s

1,253–3,343 · baja confianza

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.2 GB Q8_0 Cómodo
2,043 tok/s

1,226–3,268 · baja confianza

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.2 GB Q8_0 Cómodo
2,043 tok/s

1,226–3,268 · baja confianza

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.2 GB Q8_0 Cómodo
2,043 tok/s

1,226–3,268 · baja confianza

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.2 GB Q8_0 Cómodo
2,043 tok/s

1,226–3,268 · baja confianza

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.2 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 AI Research,LORIA
Tipo de Organización
Industry,Academia
País
United States of America, France
Publicado
25 September 2019
Autores
Angela Fan, Edouard Grave, Armand Joulin

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/generation, Translation, Question answering, Text summarization, 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
423M
Datos de entrenamiento
103,000,000 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 (unrestricted)
Código de entrenamiento
Open source

https://github.com/facebookresearch/fairseq/blob/main/examples/layerdrop/README.md Repo has MIT license WT training: https://github.com/facebookresearch/fairseq/tree/main/examples/language_model

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
SOTA improvement

"In neural machine translation on newstest2014, our 12 encoder layer Transformer model with LayerDrop further improves the state of the art, reaching 30.2 BLEU"

Confianza de registro
Confident
Citas
702
Datos de referencia
Adaptive Inputs + LayerDrop

Fuentes

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

Referencia
Reducing Transformer Depth on Demand with Structured Dropout
Última actualización
25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Adaptive Inputs + LayerDrop

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 8,010 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 8,010 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,396 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,396 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,115 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,896 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,896 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,686 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,159 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,159 tok/s

Las GPUs más pequeñas que aún funcionan Adaptive Inputs + LayerDrop

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 1.2 GB · Q8_0 · Cómodo 96.1 tok/s
  2. 02 RTX A400 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 96.1 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 128 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 192 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 34.2 tok/s
  6. 06 Radeon RX 6450M 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 100.0 tok/s
  7. 07 Radeon RX 6550M 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 112 tok/s
  8. 08 Radeon RX 6550S 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 100.0 tok/s
  9. 09 Arc A310 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 80.7 tok/s
  10. 10 Arc Pro A30M 4 GB · Necesita 1.2 GB · Q8_0 · Cómodo 83.3 tok/s

Qué significan los números

El lado de hardware

Mínima tarjeta

Tesla C1080

Memoria necesaria

1.2 GB

Más rápido

8,010 tok/s

Adaptive Inputs + LayerDrop llega a un recuento de parámetros de 423M. 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.

En el extremo bajo, se maneja por Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 87.2 tokens por segundo

Gama alta es B200, generando aproximadamente 8,010 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

Adaptive Inputs + LayerDrop fue publicado por Facebook AI Research,LORIA, en el país registrado como United States of America, durante September 2019. Sale de una organización categorizada como industry,Academia.

Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Translation, Question answering, Text summarization, Language modeling.

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

Entendiendo las velocidades

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 224.9 tokens por segundo. Excediendo velocidad de lectura directamente: 817 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.

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

Fue entrenado en un corpus de aproximadamente 103,000,000 tokens de texto

Su criterio de inclusión: sOTA improvement.

Paso a paso

Cómo elegir una GPU para Adaptive Inputs + LayerDrop

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

    Verifica lo que necesita antes de cualquier otra cosa.

    Empieza desde lo que realmente necesita, que es el requerimiento de Adaptive Inputs + LayerDrop, necesitando alrededor 1.2 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.

  2. 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. Adaptive Inputs + LayerDrop.

  3. 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.

  4. 04

    Ordenar por velocidad

    Ordenar por velocidad para ver cómo se clasifican las tarjetas por Adaptive Inputs + LayerDrop. 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 8,010 tok/s

  5. 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 Adaptive Inputs + LayerDrop. 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

    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 Adaptive Inputs + LayerDrop.

Respuestas

Adaptive Inputs + LayerDrop — preguntas comunes

01

Adaptive Inputs + LayerDrop— ¿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 1.2 GB y generando aproximadamente 1,342 tokens por segundo. El ajuste es cómodo.

02

Adaptive Inputs + LayerDrop— ¿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.

03

Adaptive Inputs + LayerDrop— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 423M. 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.

04

Adaptive Inputs + LayerDrop— ¿Quién lo creó?

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

05

Adaptive Inputs + LayerDrop— ¿cuándo fue lanzado?

Se publicó en September 2019. 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.

06

Adaptive Inputs + LayerDrop— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Translation, Question answering, Text summarization, 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.

07

Adaptive Inputs + LayerDrop— ¿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.

08

Adaptive Inputs + LayerDrop— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

09

Adaptive Inputs + LayerDrop— ¿Correrían dos GPUS más rápido?

Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

10

Adaptive Inputs + LayerDrop— ¿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.

11

Adaptive Inputs + LayerDrop— ¿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: 4,806–12,816 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.

12

Adaptive Inputs + LayerDrop— ¿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 1.2 GB, y produce aproximadamente 87.2 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

13

Adaptive Inputs + LayerDrop— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 8,010 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: 817.

14

Adaptive Inputs + LayerDrop— ¿Cuánta VRAM necesita?

Necesita aproximadamente 1.2 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.

15

Adaptive Inputs + LayerDrop— ¿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 1.2 GB y generando aproximadamente 1,492 tokens por segundo. El ajuste es cómodo.

16

Adaptive Inputs + LayerDrop— ¿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 1.2 GB y generando aproximadamente 914 tokens por segundo. El ajuste es cómodo.

17

Adaptive Inputs + LayerDrop— ¿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 1.2 GB y generando aproximadamente 1,131 tokens por segundo. El ajuste es cómodo.

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