FixRes ResNeXt-101 WSL calculadora TPS

Abre pesos Facebook AI 829M parámetros June 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 · 44.5 tok/s

Tarjeta más rápida

B200

4,087 tok/s · 180 GB

¿Qué GPU pueden ejecutar? FixRes ResNeXt-101 WSL?

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
4,087 tok/s 2,452–6,539 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.6 GB	Q8_0	Cómodo
4,087 tok/s 2,452–6,539 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.6 GB	Q8_0	Cómodo
3,264 tok/s 1,958–5,222 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.6 GB	Q8_0	Cómodo
3,264 tok/s 1,958–5,222 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.6 GB	Q8_0	Cómodo
2,610 tok/s 1,566–4,176 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.6 GB	Q8_0	Cómodo
2,498 tok/s 1,499–3,997 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.6 GB	Q8_0	Cómodo
2,498 tok/s 1,499–3,997 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.6 GB	Q8_0	Cómodo
2,391 tok/s 1,435–3,826 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.6 GB	Q8_0	Cómodo
2,122 tok/s 1,273–3,395 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Cómodo
2,122 tok/s 1,273–3,395 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Cómodo
2,122 tok/s 1,273–3,395 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Cómodo
2,013 tok/s 1,208–3,221 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.6 GB	Q8_0	Cómodo
1,717 tok/s 1,030–2,747 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Cómodo
1,717 tok/s 1,030–2,747 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.6 GB	Q8_0	Cómodo
1,717 tok/s 1,030–2,747 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Cómodo
1,717 tok/s 1,030–2,747 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Cómodo
1,717 tok/s 1,030–2,747 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Cómodo
1,307 tok/s 784–2,091 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.6 GB	Q8_0	Cómodo
1,307 tok/s 784–2,091 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.6 GB	Q8_0	Cómodo
1,089 tok/s 654–1,743 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.6 GB	Q8_0	Cómodo
1,066 tok/s 640–1,706 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.6 GB	Q8_0	Cómodo
1,042 tok/s 625–1,668 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.6 GB	Q8_0	Cómodo
1,042 tok/s 625–1,668 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.6 GB	Q8_0	Cómodo
1,042 tok/s 625–1,668 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.6 GB	Q8_0	Cómodo
1,042 tok/s 625–1,668 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.6 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
Tipo de Organización: Industry
País: United States of America
Publicado: 14 June 2019
Autores: Hugo Touvron, Andrea Vedaldi, Matthijs Douze, Hervé Jégou

Lo que hace

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

Dominio: Vision
Tarea: Image classification

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: 829M
Datos de entrenamiento: 940,000,000 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 (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.

Por qué se rastrea: SOTA improvement
Citas: 477

Fuentes

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

Referencia: Fixing the train-test resolution discrepancy
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan FixRes ResNeXt-101 WSL

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 FixRes ResNeXt-101 WSL

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

El lado de hardware

Mínima tarjeta

Tesla C1080

Memoria necesaria

1.6 GB

Más rápido

4,087 tok/s

FixRes ResNeXt-101 WSL llega a un recuento de parámetros de 829M. 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 44.5 tokens por segundo

Gama alta es B200, generando aproximadamente 4,087 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

FixRes ResNeXt-101 WSL fue publicado por Facebook AI, en el país registrado como United States of America, durante June 2019. La organización editora está clasificada como industry.

Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.

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

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 114.8 tokens por segundo. Excediendo velocidad de lectura directamente: 809 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

Fue entrenado en un corpus de aproximadamente 940,000,000 tokens de texto

La razón por la que aparece en este catálogo en absoluto: sOTA improvement.

Paso a paso

Cómo elegir una GPU para FixRes ResNeXt-101 WSL

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

Comienza desde la columna de memoria

Empieza desde lo que realmente necesita, que es el requerimiento de FixRes ResNeXt-101 WSL, necesitando alrededor 1.6 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
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. FixRes ResNeXt-101 WSL.
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

Compara tokens por segundo, no especificaciones

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. FixRes ResNeXt-101 WSL. 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 4,087 tok/s
05

Lee la columna de ajuste al final

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de FixRes ResNeXt-101 WSL. 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 FixRes ResNeXt-101 WSL.

Respuestas

FixRes ResNeXt-101 WSL — preguntas comunes

FixRes ResNeXt-101 WSL— ¿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.

FixRes ResNeXt-101 WSL— ¿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.

FixRes ResNeXt-101 WSL— ¿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.

FixRes ResNeXt-101 WSL— ¿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.

FixRes ResNeXt-101 WSL— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 2,452–6,539 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.

FixRes ResNeXt-101 WSL— ¿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 1.6 GB, y produce aproximadamente 44.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

FixRes ResNeXt-101 WSL— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 4,087 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: 809.

FixRes ResNeXt-101 WSL— ¿Cuánta VRAM necesita?

Necesita aproximadamente 1.6 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.

FixRes ResNeXt-101 WSL— ¿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 1.6 GB y generando aproximadamente 761 tokens por segundo. El ajuste es cómodo.

FixRes ResNeXt-101 WSL— ¿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 1.6 GB y generando aproximadamente 466 tokens por segundo. El ajuste es cómodo.

FixRes ResNeXt-101 WSL— ¿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 1.6 GB y generando aproximadamente 577 tokens por segundo. El ajuste es cómodo.

FixRes ResNeXt-101 WSL— ¿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 1.6 GB y generando aproximadamente 685 tokens por segundo. El ajuste es cómodo.

FixRes ResNeXt-101 WSL— ¿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.

FixRes ResNeXt-101 WSL— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 829M. 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.

FixRes ResNeXt-101 WSL— ¿Quién lo creó?

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

FixRes ResNeXt-101 WSL— ¿cuándo fue lanzado?

Se publicó en June 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.

FixRes ResNeXt-101 WSL— ¿Para qué se utiliza?

Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

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