Diffusion Renderer calculadora TPS

Abre pesos NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC) 1.1B parámetros March 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 · Q8_0 · 33.5 tok/s

Tarjeta más rápida

B200

3,080 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Diffusion Renderer?

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
3,080 tok/s 1,848–4,928 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.9 GB	Q8_0	Cómodo
3,080 tok/s 1,848–4,928 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.9 GB	Q8_0	Cómodo
2,460 tok/s 1,476–3,935 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Cómodo
2,460 tok/s 1,476–3,935 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Cómodo
1,967 tok/s 1,180–3,147 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.9 GB	Q8_0	Cómodo
1,883 tok/s 1,130–3,012 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Cómodo
1,883 tok/s 1,130–3,012 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Cómodo
1,802 tok/s 1,081–2,883 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.9 GB	Q8_0	Cómodo
1,599 tok/s 960–2,559 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Cómodo
1,599 tok/s 960–2,559 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Cómodo
1,599 tok/s 960–2,559 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Cómodo
1,517 tok/s 910–2,427 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.9 GB	Q8_0	Cómodo
1,294 tok/s 776–2,070 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Cómodo
1,294 tok/s 776–2,070 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.9 GB	Q8_0	Cómodo
1,294 tok/s 776–2,070 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Cómodo
1,294 tok/s 776–2,070 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Cómodo
1,294 tok/s 776–2,070 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Cómodo
985 tok/s 591–1,576 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Cómodo
985 tok/s 591–1,576 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Cómodo
821 tok/s 493–1,313 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.9 GB	Q8_0	Cómodo
803 tok/s 482–1,285 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.9 GB	Q8_0	Cómodo
785 tok/s 471–1,257 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.9 GB	Q8_0	Cómodo
785 tok/s 471–1,257 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.9 GB	Q8_0	Cómodo
785 tok/s 471–1,257 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.9 GB	Q8_0	Cómodo
785 tok/s 471–1,257 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.9 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,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC)
Tipo de Organización: Industry,Academia,Academia,Academia
País: United States of America, Canada
Publicado: 22 March 2025
Autores: Ruofan Liang, Zan Gojcic, Huan Ling, Jacob Munkberg, Jon Hasselgren, Zhi-Hao Lin, Jun Gao, Alexander Keller, Nandita Vijaykumar, Sanja Fidler, Zian Wang

Lo que hace

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

Dominio: Video
Tarea: Video editing, Video-to-video, 3D segmentation
Modelo base: Stable Video Diffusion
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: 1.1B
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.

Cómo se estableció: Hardware
Computación de ajuste fino: 1.3 × 10²⁰ FLOP

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: 32
Tiempo de reloj: 48 hours
Consumo de energía: 25.1 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: Unreleased
Hugging Face: nexuslrf

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: DiffusionRenderer: Neural Inverse and Forward Rendering with Video Diffusion Models
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan Diffusion Renderer

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 Diffusion Renderer

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

1.9 GB

Más rápido

3,080 tok/s

Diffusion Renderer llega a un recuento de parámetros de 1.1B. 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 33.5 tokens por segundo

Gama alta es B200, generando aproximadamente 3,080 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

Diffusion Renderer fue publicado por NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), en el país registrado como United States of America, durante March 2025. La organización editora está clasificada como industry,Academia,Academia,Academia.

Funciona en el dominio de Video, y se registra como realizando la tarea de video editing, Video-to-video, 3D segmentation.

En lugar de ser entrenado desde cero, se deriva de Stable Video Diffusion. Por eso comparte la forma y el tamaño general del modelo base.

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. En Hugging Face está publicado bajo la organización nexuslrf.

Qué decide la velocidad

La mitad de las tarjetas que lo sostienen gestionan más de 86.5 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 799 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.

La memoria aquí se estima a partir del tamaño en lugar de calcularse a partir de la arquitectura, que no se registra para este modelo — los números son indicativos en lugar de exactos.

Cómo fue entrenado

La razón por la que aparece en este catálogo en absoluto: sOTA improvement.

Paso a paso

Cómo elegir una GPU para Diffusion Renderer

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

La tabla enumera cada tarjeta capaz de contener Diffusion Renderer, necesitando alrededor 1.9 GB a una compresión de Q8_0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
02

Ajusta el contexto a tu uso actual

Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. Diffusion Renderer.
03

Elige cuán lejos lo comprimirás.

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

Ordenar por velocidad

Ordenar por velocidad para ver cómo se clasifican las tarjetas por Diffusion Renderer. 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 3,080 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 Diffusion Renderer. 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.

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. Diffusion Renderer.

Respuestas

Diffusion Renderer — preguntas comunes

Diffusion Renderer— ¿Para qué se utiliza?

Funciona en el dominio de Video, y se registra como manejando la tarea de video editing, Video-to-video, 3D segmentation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Diffusion Renderer— ¿Dónde puedo descargarlo?

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

Diffusion Renderer— ¿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.

Diffusion Renderer— ¿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.

Diffusion Renderer— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Diffusion Renderer— ¿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: 1,848–4,928 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.

Diffusion Renderer— ¿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 1.9 GB, y produce aproximadamente 33.5 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Diffusion Renderer— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 3,080 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: 799.

Diffusion Renderer— ¿Cuánta VRAM necesita?

Necesita aproximadamente 1.9 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.

Diffusion Renderer— ¿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 1.9 GB y generando aproximadamente 574 tokens por segundo. El ajuste es cómodo.

Diffusion Renderer— ¿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 1.9 GB y generando aproximadamente 351 tokens por segundo. El ajuste es cómodo.

Diffusion Renderer— ¿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 1.9 GB y generando aproximadamente 435 tokens por segundo. El ajuste es cómodo.

Diffusion Renderer— ¿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 1.9 GB y generando aproximadamente 516 tokens por segundo. El ajuste es cómodo.

Diffusion Renderer— ¿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.

Diffusion Renderer— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 1.1B. "This model has 1.1B model parameters.". 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.

Diffusion Renderer— ¿Quién lo creó?

Fue publicado por NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), basado en United States of America, una organización categorizada como industry,Academia,Academia,Academia.

Diffusion Renderer— ¿cuándo fue lanzado?

Se publicó en March 2025.

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