Transformer (Adaptive Input Embeddings) WT103 calculadora TPS

Abre pesos Facebook AI Research 247M parámetros September 2018

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 · 149 tok/s

Tarjeta más rápida

B200

13,718 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Transformer (Adaptive Input Embeddings) WT103?

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
13,718 tok/s 8,231–21,948 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.0 GB	Q8_0	Cómodo
13,718 tok/s 8,231–21,948 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.0 GB	Q8_0	Cómodo
10,954 tok/s 6,572–17,526 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Cómodo
10,954 tok/s 6,572–17,526 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Cómodo
8,760 tok/s 5,256–14,017 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.0 GB	Q8_0	Cómodo
8,385 tok/s 5,031–13,416 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Cómodo
8,385 tok/s 5,031–13,416 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Cómodo
8,025 tok/s 4,815–12,840 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.0 GB	Q8_0	Cómodo
7,122 tok/s 4,273–11,395 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Cómodo
7,122 tok/s 4,273–11,395 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Cómodo
7,122 tok/s 4,273–11,395 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Cómodo
6,756 tok/s 4,054–10,809 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.0 GB	Q8_0	Cómodo
5,761 tok/s 3,457–9,218 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Cómodo
5,761 tok/s 3,457–9,218 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.0 GB	Q8_0	Cómodo
5,761 tok/s 3,457–9,218 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Cómodo
5,761 tok/s 3,457–9,218 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Cómodo
5,761 tok/s 3,457–9,218 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Cómodo
4,387 tok/s 2,632–7,019 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Cómodo
4,387 tok/s 2,632–7,019 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Cómodo
3,656 tok/s 2,193–5,849 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.0 GB	Q8_0	Cómodo
3,578 tok/s 2,147–5,724 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.0 GB	Q8_0	Cómodo
3,498 tok/s 2,099–5,597 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.0 GB	Q8_0	Cómodo
3,498 tok/s 2,099–5,597 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.0 GB	Q8_0	Cómodo
3,498 tok/s 2,099–5,597 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.0 GB	Q8_0	Cómodo
3,498 tok/s 2,099–5,597 · 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 AI Research
Tipo de Organización: Industry
País: United States of America, France
Publicado: 28 September 2018
Autores: Alexei Baevski, Michael Auli

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
Formato numérico: FP16

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: 247M
Datos de entrenamiento: 100,000,000 tokens
Épocas: 180

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: 4.5 × 10¹⁹ FLOP
Cómo se estableció: Hardware,Operation counting

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 V100
Chips utilizados: 8
Horas de chip: 4,288
Tiempo de reloj: 67 hours
Consumo de energía: 5.0 kW
Costo de cómputo: $2,881

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

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
Confianza de registro: Confident
Citas: 433
Datos de referencia: Transformer (Adaptive Input Embeddings)

Fuentes

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

Referencia: Adaptive Input Representations for Neural Language Modeling
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Transformer (Adaptive Input Embeddings) WT103

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 Transformer (Adaptive Input Embeddings) WT103

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

1.0 GB

Más rápido

13,718 tok/s

Transformer (Adaptive Input Embeddings) WT103 llega a un recuento de parámetros de 247M. 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 149 tokens por segundo

Gama alta es B200, generando aproximadamente 13,718 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

Transformer (Adaptive Input Embeddings) WT103 fue publicado por Facebook AI Research, en el país registrado como United States of America, durante September 2018. La categoría en la que se encuentra el editor es industry.

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

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

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 385.2 tokens por segundo. Excediendo velocidad de lectura directamente: 818 de ellos.

Es un modelo denso, por lo que cada parámetro se lee para cada token producido. Eso hace que la velocidad rastree el ancho de banda de la memoria casi exactamente: una tarjeta con el doble de ancho de banda genera aproximadamente el doble de rápido.

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

Entrenarlo tomó un presupuesto de computación de aproximadamente 4.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Fue entrenado en un corpus de aproximadamente 100,000,000 tokens de texto

Su criterio de inclusión: sOTA improvement.

Paso a paso

Cómo elegir una GPU para Transformer (Adaptive Input Embeddings) WT103

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 Transformer (Adaptive Input Embeddings) WT103, necesitando alrededor 1.0 GB a una compresión de Q8_0. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Ajusta el contexto a tu uso actual

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 Transformer (Adaptive Input Embeddings) WT103.
03

Elige cuán lejos lo comprimirás.

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.
04

Clasifica por rendimiento en lugar de la hoja de especificaciones.

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Transformer (Adaptive Input Embeddings) WT103. 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 13,718 tok/s
05

Mira el margen, no solo la compatibilidad.

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de Transformer (Adaptive Input Embeddings) WT103. 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

Mira qué más ejecuta esa tarjeta

Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de Transformer (Adaptive Input Embeddings) WT103.

Respuestas

Transformer (Adaptive Input Embeddings) WT103 — preguntas comunes

Transformer (Adaptive Input Embeddings) WT103— ¿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 1,564 tokens por segundo. El ajuste es cómodo.

Transformer (Adaptive Input Embeddings) WT103— ¿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 1,938 tokens por segundo. El ajuste es cómodo.

Transformer (Adaptive Input Embeddings) WT103— ¿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 2,298 tokens por segundo. El ajuste es cómodo.

Transformer (Adaptive Input Embeddings) WT103— ¿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.

Transformer (Adaptive Input Embeddings) WT103— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 247M. 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.

Transformer (Adaptive Input Embeddings) WT103— ¿Quién lo creó?

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

Transformer (Adaptive Input Embeddings) WT103— ¿cuándo fue lanzado?

Se publicó en September 2018. 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.

Transformer (Adaptive Input Embeddings) WT103— ¿Para qué se utiliza?

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

Transformer (Adaptive Input Embeddings) WT103— ¿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.

Transformer (Adaptive Input Embeddings) WT103— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 4.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. 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.

Transformer (Adaptive Input Embeddings) WT103— ¿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.

Transformer (Adaptive Input Embeddings) WT103— ¿Correrían dos GPUS más rápido?

Dos tarjetas compran memoria en lugar de velocidad, lo cual solo importa si una tarjeta no puede contenerlo. El número que puede: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Transformer (Adaptive Input Embeddings) WT103— ¿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.

Transformer (Adaptive Input Embeddings) WT103— ¿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: 8,231–21,948 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.

Transformer (Adaptive Input Embeddings) WT103— ¿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 149 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Transformer (Adaptive Input Embeddings) WT103— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 13,718 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.

Transformer (Adaptive Input Embeddings) WT103— ¿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.

Transformer (Adaptive Input Embeddings) WT103— ¿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 2,555 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