ResNeXt-101 Billion-scale calculadora TPS

Abre pesos Facebook AI 193M parámetros May 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 · 191 tok/s

Tarjeta más rápida

B200

17,556 tok/s · 180 GB

¿Qué GPU pueden ejecutar? ResNeXt-101 Billion-scale?

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
17,556 tok/s 10,533–28,089 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.9 GB	Q8_0	Cómodo
17,556 tok/s 10,533–28,089 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.9 GB	Q8_0	Cómodo
14,019 tok/s 8,411–22,430 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Cómodo
14,019 tok/s 8,411–22,430 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Cómodo
11,211 tok/s 6,727–17,938 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.9 GB	Q8_0	Cómodo
10,731 tok/s 6,439–17,169 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Cómodo
10,731 tok/s 6,439–17,169 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Cómodo
10,270 tok/s 6,162–16,432 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.9 GB	Q8_0	Cómodo
9,115 tok/s 5,469–14,583 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Cómodo
9,115 tok/s 5,469–14,583 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Cómodo
9,115 tok/s 5,469–14,583 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Cómodo
8,646 tok/s 5,188–13,834 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.9 GB	Q8_0	Cómodo
7,373 tok/s 4,424–11,797 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Cómodo
7,373 tok/s 4,424–11,797 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.9 GB	Q8_0	Cómodo
7,373 tok/s 4,424–11,797 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Cómodo
7,373 tok/s 4,424–11,797 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Cómodo
7,373 tok/s 4,424–11,797 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Cómodo
5,614 tok/s 3,369–8,983 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Cómodo
5,614 tok/s 3,369–8,983 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Cómodo
4,679 tok/s 2,807–7,486 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.9 GB	Q8_0	Cómodo
4,579 tok/s 2,747–7,326 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.9 GB	Q8_0	Cómodo
4,477 tok/s 2,686–7,163 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.9 GB	Q8_0	Cómodo
4,477 tok/s 2,686–7,163 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.9 GB	Q8_0	Cómodo
4,477 tok/s 2,686–7,163 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.9 GB	Q8_0	Cómodo
4,477 tok/s 2,686–7,163 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.9 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: 2 May 2019
Autores: I. Zeki Yalniz, Hervé Jégou, Kan Chen, Manohar Paluri, Dhruv Mahajan

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: 193M
Datos de entrenamiento: 90,000,000 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: Unreleased

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: 490

Fuentes

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

Referencia: Billion-scale semi-supervised learning for image classification
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan ResNeXt-101 Billion-scale

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 ResNeXt-101 Billion-scale

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

Requisitos de hardware en la práctica

Mínima tarjeta

Tesla C1080

Memoria necesaria

0.9 GB

Más rápido

17,556 tok/s

ResNeXt-101 Billion-scale llega a un recuento de parámetros de 193M. 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 191 tokens por segundo

Gama alta es B200, generando aproximadamente 17,556 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

ResNeXt-101 Billion-scale fue publicado por Facebook AI, en el país registrado como United States of America, durante May 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 tan rápido corre, y por qué

El resultado mediano es alrededor de 493.0 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 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.

Entrenamiento y procedencia

El conjunto de entrenamiento se ejecutó a aproximadamente 90,000,000 tokens de texto

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

Paso a paso

Cómo elegir una GPU para ResNeXt-101 Billion-scale

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

Cada tarjeta aquí ha sido verificada contra ResNeXt-101 Billion-scale, necesitando alrededor 0.9 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Ajusta el contexto a tu uso actual

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. ResNeXt-101 Billion-scale.
03

Elige cuán lejos lo comprimirás.

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

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para ResNeXt-101 Billion-scale. 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 17,556 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de ResNeXt-101 Billion-scale. 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 ResNeXt-101 Billion-scale.

Respuestas

ResNeXt-101 Billion-scale — preguntas comunes

ResNeXt-101 Billion-scale— ¿Para qué se utiliza?

Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.

ResNeXt-101 Billion-scale— ¿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.

ResNeXt-101 Billion-scale— ¿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.

ResNeXt-101 Billion-scale— ¿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.

ResNeXt-101 Billion-scale— ¿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.

ResNeXt-101 Billion-scale— ¿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: 10,533–28,089 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.

ResNeXt-101 Billion-scale— ¿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 0.9 GB, y produce aproximadamente 191 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

ResNeXt-101 Billion-scale— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 17,556 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.

ResNeXt-101 Billion-scale— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.9 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.

ResNeXt-101 Billion-scale— ¿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 0.9 GB y generando aproximadamente 3,270 tokens por segundo. El ajuste es cómodo.

ResNeXt-101 Billion-scale— ¿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 0.9 GB y generando aproximadamente 2,002 tokens por segundo. El ajuste es cómodo.

ResNeXt-101 Billion-scale— ¿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 0.9 GB y generando aproximadamente 2,480 tokens por segundo. El ajuste es cómodo.

ResNeXt-101 Billion-scale— ¿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 0.9 GB y generando aproximadamente 2,941 tokens por segundo. El ajuste es cómodo.

ResNeXt-101 Billion-scale— ¿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.

ResNeXt-101 Billion-scale— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 193M. 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.

ResNeXt-101 Billion-scale— ¿Quién lo creó?

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

ResNeXt-101 Billion-scale— ¿cuándo fue lanzado?

Se publicó en May 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.

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