Qwen3 Embedding calculadora TPS

Abre pesos Alibaba 8B parámetros June 2025

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

582 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Quadro 6000

6 GB · IQ4_XS · 15.9 tok/s

Tarjeta más rápida

B200

424 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Qwen3 Embedding?

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.

582 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
424 tok/s 254–678 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.3 GB	Q8_0	Cómodo
424 tok/s 254–678 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.3 GB	Q8_0	Cómodo
338 tok/s 203–541 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.3 GB	Q8_0	Cómodo
338 tok/s 203–541 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.3 GB	Q8_0	Cómodo
270 tok/s 162–433 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.3 GB	Q8_0	Cómodo
259 tok/s 155–414 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.3 GB	Q8_0	Cómodo
259 tok/s 155–414 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.3 GB	Q8_0	Cómodo
248 tok/s 149–396 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.3 GB	Q8_0	Cómodo
220 tok/s 132–352 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Cómodo
220 tok/s 132–352 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Cómodo
220 tok/s 132–352 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Cómodo
209 tok/s 125–334 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.3 GB	Q8_0	Cómodo
178 tok/s 107–285 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Cómodo
178 tok/s 107–285 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.3 GB	Q8_0	Cómodo
178 tok/s 107–285 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Cómodo
178 tok/s 107–285 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Cómodo
178 tok/s 107–285 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Cómodo
141 tok/s 85–225 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.5 GB	Q5_K_M	Ajustado
135 tok/s 81–217 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.3 GB	Q8_0	Cómodo
135 tok/s 81–217 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.3 GB	Q8_0	Cómodo
120 tok/s 72–192 · baja confianza	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.4 GB	Q6_K	Cómodo
113 tok/s 68–181 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.3 GB	Q8_0	Cómodo
110 tok/s 66–177 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.3 GB	Q8_0	Cómodo
108 tok/s 65–173 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.3 GB	Q8_0	Cómodo
108 tok/s 65–173 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.3 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: Alibaba
Tipo de Organización: Industry
País: China
Publicado: 5 June 2025
Autores: Yanzhao Zhang, Mingxin Li, Dingkun Long, Xin Zhang, Huan Lin, Baosong Yang, Pengjun Xie, An Yang, Dayiheng Liu, Junyang Lin, Fei Huang, Jingren Zhou

Lo que hace

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

Dominio: Language
Tarea: Semantic embedding
Modelo base: Qwen3-8B

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: 8B
Datos de entrenamiento: 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: Unreleased
Hugging Face: Qwen

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

Fuentes

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

Referencia: Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Qwen3 Embedding

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 Qwen3 Embedding

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

Quadro 6000

Memoria necesaria

5.1 GB

Más rápido

424 tok/s

Qwen3 Embedding llega a un recuento de parámetros de 8B. 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: 582.

El punto de entrada es Quadro 6000, con una capacidad de memoria de 6 GB, ejecutándolo a una compresión de IQ4_XS y produciendo alrededor 15.9 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 424 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

Qwen3 Embedding fue publicado por Alibaba, en el país registrado como China, durante June 2025. 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 semantic embedding.

Se basa en Qwen3-8B. Por eso comparte la forma y el tamaño general del modelo base.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización Qwen.

Leyendo las cifras de rendimiento

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 23.8 tokens por segundo. Excediendo velocidad de lectura directamente: 551 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.

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.

Qué se necesitó para construirlo

Su criterio de inclusión: sOTA improvement.

Paso a paso

Cómo elegir una GPU para Qwen3 Embedding

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

Lee la cifra de MEMORIA primero

Empieza desde lo que realmente necesita, que es el requerimiento de Qwen3 Embedding, necesitando alrededor 5.1 GB a una compresión de IQ4_XS. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
02

Establece la longitud de contexto en la que trabajarás.

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. Qwen3 Embedding.
03

Elige cuán lejos lo comprimirás.

Cada tarjeta ejecuta la copia menos comprimida que puede contener., alcanzando una compresión de IQ4_XS 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.

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para Qwen3 Embedding. 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 424 tok/s
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 Qwen3 Embedding. 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

Revisa la tarjeta del otro lado

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 Qwen3 Embedding.

Respuestas

Qwen3 Embedding — preguntas comunes

Qwen3 Embedding— ¿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 9.3 GB y generando aproximadamente 59.8 tokens por segundo. El ajuste es cómodo.

Qwen3 Embedding— ¿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 9.3 GB y generando aproximadamente 70.9 tokens por segundo. El ajuste es cómodo.

Qwen3 Embedding— ¿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.

Qwen3 Embedding— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 8B. 8B. 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.

Qwen3 Embedding— ¿Quién lo creó?

Fue publicado por Alibaba, basado en China, una organización categorizada como industry.

Qwen3 Embedding— ¿cuándo fue lanzado?

Se publicó en June 2025.

Qwen3 Embedding— ¿Para qué se utiliza?

Funciona en el dominio de Language, y se registra como manejando la tarea de semantic embedding. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

Qwen3 Embedding— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización Qwen. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

Qwen3 Embedding— ¿Puedo ejecutarlo si no cabe en mi GPU?

Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. El fallo más cercano que calculamos se queda corto por 1.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Qwen3 Embedding— ¿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: 582. Así que una segunda tarjeta rara vez es la respuesta aquí.

Qwen3 Embedding— ¿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: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Qwen3 Embedding— ¿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: 254–678 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.

Qwen3 Embedding— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Quadro 6000, con una capacidad de memoria de 6 GB. Funciona el modelo a una compresión de IQ4_XS usando alrededor 5.1 GB, y produce aproximadamente 15.9 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 582.

Qwen3 Embedding— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 424 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: 551.

Qwen3 Embedding— ¿Cuánta VRAM necesita?

Necesita aproximadamente 5.1 GB a una compresión de IQ4_XS, 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.

Qwen3 Embedding— ¿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 Q5_K_M, usando alrededor 6.5 GB y generando aproximadamente 141 tokens por segundo. El ajuste es ajustado.

Qwen3 Embedding— ¿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 9.3 GB y generando aproximadamente 48.3 tokens por segundo. El ajuste es ajustado.

Origen

Publicación original

Última actualización registrada 28 November 2025

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