Big-Little Net (vision) calculadora TPS

Abre pesos IBM 77.4M parámetros July 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 · 477 tok/s

Tarjeta más rápida

B200

43,798 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Big-Little Net (vision)?

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
43,798 tok/s 26,279–70,077 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Cómodo
43,798 tok/s 26,279–70,077 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Cómodo
34,974 tok/s 20,984–55,958 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
34,974 tok/s 20,984–55,958 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
27,971 tok/s 16,782–44,753 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
26,772 tok/s 16,063–42,835 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
26,772 tok/s 16,063–42,835 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
25,622 tok/s 15,373–40,995 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Cómodo
22,740 tok/s 13,644–36,383 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
22,740 tok/s 13,644–36,383 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
22,740 tok/s 13,644–36,383 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
21,571 tok/s 12,942–34,513 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
18,395 tok/s 11,037–29,432 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
18,395 tok/s 11,037–29,432 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Cómodo
18,395 tok/s 11,037–29,432 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
18,395 tok/s 11,037–29,432 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
18,395 tok/s 11,037–29,432 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
14,007 tok/s 8,404–22,411 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
14,007 tok/s 8,404–22,411 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
11,672 tok/s 7,003–18,676 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
11,423 tok/s 6,854–18,277 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
11,169 tok/s 6,701–17,870 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Cómodo
11,169 tok/s 6,701–17,870 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Cómodo
11,169 tok/s 6,701–17,870 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Cómodo
11,169 tok/s 6,701–17,870 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: IBM
Tipo de Organización: Industry
País: United States of America
Publicado: 10 July 2018
Autores: Chun-Fu (Richard) Chen, Quanfu Fan, Neil Mallinar, Tom Sercu, Rogerio Feris

Lo que hace

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

Dominio: Vision
Tarea: Object recognition

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: 77.4M
Datos de entrenamiento: 1,280,000 tokens
Épocas: 110

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: 6.3 × 10¹⁹ FLOP
Cómo se estableció: Operation counting

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.

Confianza de registro: Confident
Citas: 101

Fuentes

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

Referencia: BIG-LITTLE NET: AN EFFICIENT MULTI-SCALE FEATURE REPRESENTATION FOR VISUAL AND SPEECH RECOGNITION
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Big-Little Net (vision)

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 Big-Little Net (vision)

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

0.8 GB

Más rápido

43,798 tok/s

Big-Little Net (vision) llega a un recuento de parámetros de 77.4M. 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 477 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 43,798 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

Big-Little Net (vision) fue publicado por IBM, en el país registrado como United States of America, durante July 2018. La organización editora está clasificada como industry.

Funciona en el dominio de Vision, y se registra como realizando la tarea de object recognition.

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

Qué decide la velocidad

El resultado mediano es alrededor de 1,229.9 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.

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.

Qué se necesitó para construirlo

Entrenarlo tomó un presupuesto de computación de aproximadamente 6.3 × 10¹⁹ FLOP. 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 1,280,000 tokens de texto

Paso a paso

Cómo elegir una GPU para Big-Little Net (vision)

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

La tabla enumera cada tarjeta capaz de contener Big-Little Net (vision), necesitando alrededor 0.8 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

La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. Big-Little Net (vision).
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

Clasifica por rendimiento en lugar de la hoja de especificaciones.

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Big-Little Net (vision). 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 43,798 tok/s
05

Mira el margen, no solo la compatibilidad.

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Big-Little Net (vision). 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 Big-Little Net (vision).

Respuestas

Big-Little Net (vision) — preguntas comunes

Big-Little Net (vision)— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 6.3 × 10¹⁹ FLOP. 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.

Big-Little Net (vision)— ¿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.

Big-Little Net (vision)— ¿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.

Big-Little Net (vision)— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Big-Little Net (vision)— ¿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: 26,279–70,077 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.

Big-Little Net (vision)— ¿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 0.8 GB, y produce aproximadamente 477 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Big-Little Net (vision)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 43,798 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.

Big-Little Net (vision)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.8 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.

Big-Little Net (vision)— ¿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 0.8 GB y generando aproximadamente 8,157 tokens por segundo. El ajuste es cómodo.

Big-Little Net (vision)— ¿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 0.8 GB y generando aproximadamente 4,995 tokens por segundo. El ajuste es cómodo.

Big-Little Net (vision)— ¿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 0.8 GB y generando aproximadamente 6,187 tokens por segundo. El ajuste es cómodo.

Big-Little Net (vision)— ¿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 0.8 GB y generando aproximadamente 7,336 tokens por segundo. El ajuste es cómodo.

Big-Little Net (vision)— ¿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.

Big-Little Net (vision)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 77.4M. Table 2 - fifth row. 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.

Big-Little Net (vision)— ¿Quién lo creó?

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

Big-Little Net (vision)— ¿cuándo fue lanzado?

Se publicó en July 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.

Big-Little Net (vision)— ¿Para qué se utiliza?

Funciona en el dominio de Vision, y se registra como manejando la tarea de object recognition. 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.

Big-Little Net (vision)— ¿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.

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