SANA 1.5 4.8B calculadora TPS

Abre pesos NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong 4.8B parámetros May 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

818 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · IQ4_XS · 18.9 tok/s

Tarjeta más rápida

B200

706 tok/s · 180 GB

¿Qué GPU pueden ejecutar? SANA 1.5 4.8B?

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
706 tok/s 424–1,129 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.8 GB	Q8_0	Cómodo
706 tok/s 424–1,129 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.8 GB	Q8_0	Cómodo
564 tok/s 338–902 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Cómodo
564 tok/s 338–902 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Cómodo
451 tok/s 270–721 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.8 GB	Q8_0	Cómodo
431 tok/s 259–690 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Cómodo
431 tok/s 259–690 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Cómodo
413 tok/s 248–661 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.8 GB	Q8_0	Cómodo
366 tok/s 220–586 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Cómodo
366 tok/s 220–586 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Cómodo
366 tok/s 220–586 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Cómodo
348 tok/s 209–556 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.8 GB	Q8_0	Cómodo
296 tok/s 178–474 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Cómodo
296 tok/s 178–474 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.8 GB	Q8_0	Cómodo
296 tok/s 178–474 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Cómodo
296 tok/s 178–474 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Cómodo
296 tok/s 178–474 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Cómodo
226 tok/s 135–361 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Cómodo
226 tok/s 135–361 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Cómodo
188 tok/s 113–301 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.8 GB	Q8_0	Cómodo
184 tok/s 110–295 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.8 GB	Q8_0	Cómodo
180 tok/s 108–288 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.8 GB	Q8_0	Cómodo
180 tok/s 108–288 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.8 GB	Q8_0	Cómodo
180 tok/s 108–288 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.8 GB	Q8_0	Cómodo
180 tok/s 108–288 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.8 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: NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong
Tipo de Organización: Industry,Academia,Academia,Industry,Academia,Academia
País: United States of America, China, Hong Kong
Publicado: 17 May 2025
Autores: Enze Xie, Junsong Chen, Yuyang Zhao, Jincheng Yu, Ligeng Zhu, Chengyue Wu, Yujun Lin, Zhekai Zhang, Muyang Li, Junyu Chen, Han Cai, Bingchen Liu, Daquan Zhou, Song Han

Lo que hace

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

Dominio: Image generation
Tarea: Text-to-image, Image generation
Modelo base: SANA 1.6B
Formato numérico: BF16

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: 4.8B
Datos de entrenamiento: tokens

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 A100
Chips utilizados: 64
Consumo de energía: 50.2 kW

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 source
Hugging Face: Efficient-Large-Model

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

Fuentes

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

Referencia: SANA 1.5: Efficient Scaling of Training-Time and Inference-Time Compute in Linear Diffusion Transformer
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan SANA 1.5 4.8B

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 SANA 1.5 4.8B

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

3.3 GB

Más rápido

706 tok/s

SANA 1.5 4.8B llega a un recuento de parámetros de 4.8B. 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: 818.

El punto de entrada es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de IQ4_XS y produciendo alrededor 18.9 tokens por segundo

El resultado más rápido proviene de B200, generando aproximadamente 706 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

SANA 1.5 4.8B fue publicado por NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, en el país registrado como United States of America, durante May 2025. La organización editora está clasificada como industry,Academia,Academia,Industry,Academia,Academia.

Funciona en el dominio de Image generation, y se registra como realizando la tarea de text-to-image, Image generation.

Se basa en SANA 1.6B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización Efficient-Large-Model.

Leyendo las cifras de rendimiento

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 28.2 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 771 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.

Paso a paso

Cómo elegir una GPU para SANA 1.5 4.8B

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

Cada tarjeta aquí ha sido verificada contra SANA 1.5 4.8B, necesitando alrededor 3.3 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.

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 SANA 1.5 4.8B.
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 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 SANA 1.5 4.8B. 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 706 tok/s
05

Mira el margen, no solo la compatibilidad.

Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de SANA 1.5 4.8B. 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

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. SANA 1.5 4.8B.

Respuestas

SANA 1.5 4.8B — preguntas comunes

SANA 1.5 4.8B— ¿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. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

SANA 1.5 4.8B— ¿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.

SANA 1.5 4.8B— ¿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.

SANA 1.5 4.8B— ¿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: 424–1,129 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.

SANA 1.5 4.8B— ¿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 IQ4_XS usando alrededor 3.3 GB, y produce aproximadamente 18.9 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

SANA 1.5 4.8B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 706 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: 771.

SANA 1.5 4.8B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 3.3 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.

SANA 1.5 4.8B— ¿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 5.8 GB y generando aproximadamente 131 tokens por segundo. El ajuste es cómodo.

SANA 1.5 4.8B— ¿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 5.8 GB y generando aproximadamente 80.5 tokens por segundo. El ajuste es cómodo.

SANA 1.5 4.8B— ¿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 5.8 GB y generando aproximadamente 99.7 tokens por segundo. El ajuste es cómodo.

SANA 1.5 4.8B— ¿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 5.8 GB y generando aproximadamente 118 tokens por segundo. El ajuste es cómodo.

SANA 1.5 4.8B— ¿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.

SANA 1.5 4.8B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 4.8B. 4.8B Our final model (SANA-4.8B) scales to 60 layers while maintaining the same channel dimension (2240 per layer) and FFN dimension (5600) as SANA-1.6B. The architecture, training data, and other hyperparameters remain consistent with SANA-1.6B. 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.

SANA 1.5 4.8B— ¿Quién lo creó?

Fue publicado por NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, basado en United States of America, una organización categorizada como industry,Academia,Academia,Industry,Academia,Academia.

SANA 1.5 4.8B— ¿cuándo fue lanzado?

Se publicó en May 2025.

SANA 1.5 4.8B— ¿Para qué se utiliza?

Funciona en el dominio de Image generation, y se registra como manejando la tarea de text-to-image, Image generation. 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.

SANA 1.5 4.8B— ¿Dónde puedo descargarlo?

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

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