EXAONE 4.5 calculadora TPS

Abre pesos LG AI Research 33.2B parámetros April 2026

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

132 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

RTX A4500

20 GB · Q3_K_M · 22.0 tok/s

Tarjeta más rápida

B200

102 tok/s · 180 GB

¿Qué GPU pueden ejecutar? EXAONE 4.5?

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.

132 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
102 tok/s 61–163 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	36.2 GB	Q8_0	Cómodo
102 tok/s 61–163 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	36.2 GB	Q8_0	Cómodo
81.5 tok/s 49–130 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Cómodo
81.5 tok/s 49–130 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Cómodo
65.2 tok/s 39–104 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	36.2 GB	Q8_0	Cómodo
62.4 tok/s 37–100 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Cómodo
62.4 tok/s 37–100 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Cómodo
59.7 tok/s 36–96 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	36.2 GB	Q8_0	Cómodo
53.0 tok/s 32–85 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Cómodo
53.0 tok/s 32–85 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Cómodo
53.0 tok/s 32–85 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Cómodo
50.3 tok/s 30–80 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	36.2 GB	Q8_0	Cómodo
42.9 tok/s 26–69 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Cómodo
42.9 tok/s 26–69 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	36.2 GB	Q8_0	Cómodo
42.9 tok/s 26–69 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Cómodo
42.9 tok/s 26–69 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Cómodo
42.9 tok/s 26–69 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Cómodo
39.5 tok/s 24–63 · baja confianza	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.8 GB	Q4_K_M	Ajustado
35.9 tok/s 22–57 · baja confianza	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.8 GB	Q4_K_M	Ajustado
34.7 tok/s 21–55 · baja confianza	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	Ajustado
34.7 tok/s 21–55 · baja confianza	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	Ajustado
33.2 tok/s 20–53 · baja confianza	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	Ajustado
33.2 tok/s 20–53 · baja confianza	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	Ajustado
32.6 tok/s 20–52 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	36.2 GB	Q8_0	Cómodo
32.6 tok/s 20–52 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	36.2 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: LG AI Research
Tipo de Organización: Industry
País: Korea (Republic of)
Publicado: 9 April 2026
Autores: Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Changhun Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Kwangrok Ryoo, Minju Seo, Sejong Yang, Heuiyeen Yeen, Hwan Chang, Stanley Jungkyu Choi, Yejin Choi, Kyubeen Han, Joonwon Jang, Kijeong Jeon, Geun…

Lo que hace

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

Dominio: Language, Multimodal
Tarea: Language modeling/generation, Question answering

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: 33.2B
Datos de entrenamiento: tokens

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: 3.9 × 10²⁴ FLOP

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 (restricted use)

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: Training cost
Confianza de registro: Confident

Fuentes

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

Referencia: EXAONE 4.5 Technical Report
Última actualización: 24 June 2026

Los extremos

Las diez GPUs más rápidas que ejecutan EXAONE 4.5

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 EXAONE 4.5

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

El lado de hardware

Mínima tarjeta

RTX A4500

Memoria necesaria

16.9 GB

Más rápido

102 tok/s

EXAONE 4.5 llega a un recuento de parámetros de 33.2B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 132.

En el extremo bajo, se maneja por RTX A4500, con una capacidad de memoria de 20 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 22.0 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 102 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

EXAONE 4.5 fue publicado por LG AI Research, en el país registrado como Korea (Republic of), durante April 2026. La categoría en la que se encuentra el editor es industry.

Funciona en el dominio de Language, Multimodal, y se registra como realizando la tarea de language modeling/generation, Question answering.

El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 20.2 tokens por segundo. Excediendo velocidad de lectura directamente: 101 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.

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.

Entrenamiento y procedencia

Entrenarlo tomó un presupuesto de computación de aproximadamente 3.9 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Se rastrea en el conjunto de datos subyacente por una razón en particular: training cost.

Paso a paso

Cómo elegir una GPU para EXAONE 4.5

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 EXAONE 4.5, necesitando alrededor 16.9 GB a una compresión de Q3_K_M. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Decide cuánto duran tus conversaciones.

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. EXAONE 4.5.
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q3_K_M 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

Ordenar por velocidad

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. EXAONE 4.5. 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 102 tok/s
05

Verifica el veredicto de ajuste antes de comprar

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de EXAONE 4.5. 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 página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de EXAONE 4.5.

Respuestas

EXAONE 4.5 — preguntas comunes

EXAONE 4.5— ¿cuándo fue lanzado?

Se publicó en April 2026.

EXAONE 4.5— ¿Para qué se utiliza?

Funciona en el dominio de Language, Multimodal, y se registra como manejando la tarea de language modeling/generation, Question answering. 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.

EXAONE 4.5— ¿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.

EXAONE 4.5— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 3.9 × 10²⁴ 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.

EXAONE 4.5— ¿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 6.4 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

EXAONE 4.5— ¿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: 132. Así que una segunda tarjeta rara vez es la respuesta aquí.

EXAONE 4.5— ¿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: 5. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

EXAONE 4.5— ¿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: 61–163 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.

EXAONE 4.5— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es RTX A4500, con una capacidad de memoria de 20 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 16.9 GB, y produce aproximadamente 22.0 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 132.

EXAONE 4.5— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 102 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: 101.

EXAONE 4.5— ¿Cuánta VRAM necesita?

Necesita aproximadamente 16.9 GB a una compresión de Q3_K_M, 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.

EXAONE 4.5— ¿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 Q4_K_M, usando alrededor 20.8 GB y generando aproximadamente 39.5 tokens por segundo. El ajuste es ajustado.

EXAONE 4.5— ¿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.

EXAONE 4.5— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 33.2B. "Architecturally, EXAONE 4.5 integrates a 1.2B parameter vision encoder into the robust EXAONE 4.0 32B base model,". 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.

EXAONE 4.5— ¿Quién lo creó?

Fue publicado por LG AI Research, basado en Korea (Republic of), una organización categorizada como industry.

Origen

Publicación original

Última actualización registrada 24 June 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