GR00T N1 2B calculadora TPS

Abre pesos NVIDIA 2.2B 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 · 16.8 tok/s

Tarjeta más rápida

B200

1,547 tok/s · 180 GB

¿Qué GPU pueden ejecutar? GR00T N1 2B?

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
1,547 tok/s 928–2,475 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.0 GB	Q8_0	Cómodo
1,547 tok/s 928–2,475 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.0 GB	Q8_0	Cómodo
1,235 tok/s 741–1,977 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.0 GB	Q8_0	Cómodo
1,235 tok/s 741–1,977 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.0 GB	Q8_0	Cómodo
988 tok/s 593–1,581 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.0 GB	Q8_0	Cómodo
946 tok/s 567–1,513 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.0 GB	Q8_0	Cómodo
946 tok/s 567–1,513 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.0 GB	Q8_0	Cómodo
905 tok/s 543–1,448 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.0 GB	Q8_0	Cómodo
803 tok/s 482–1,285 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Cómodo
803 tok/s 482–1,285 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Cómodo
803 tok/s 482–1,285 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Cómodo
762 tok/s 457–1,219 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.0 GB	Q8_0	Cómodo
650 tok/s 390–1,040 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Cómodo
650 tok/s 390–1,040 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.0 GB	Q8_0	Cómodo
650 tok/s 390–1,040 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Cómodo
650 tok/s 390–1,040 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Cómodo
650 tok/s 390–1,040 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Cómodo
495 tok/s 297–792 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.0 GB	Q8_0	Cómodo
495 tok/s 297–792 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.0 GB	Q8_0	Cómodo
412 tok/s 247–660 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.0 GB	Q8_0	Cómodo
404 tok/s 242–646 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.0 GB	Q8_0	Cómodo
395 tok/s 237–631 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.0 GB	Q8_0	Cómodo
395 tok/s 237–631 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.0 GB	Q8_0	Cómodo
395 tok/s 237–631 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.0 GB	Q8_0	Cómodo
395 tok/s 237–631 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.0 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
Tipo de Organización: Industry
País: United States of America
Publicado: 18 March 2025
Autores: Johan Bjorck, Fernando Castañeda, Nikita Cherniadev, Xingye Da, Runyu Ding, Linxi "Jim" Fan, Yu Fang, Dieter Fox, Fengyuan Hu, Spencer Huang, Joel Jang, Zhenyu Jiang, Jan Kautz, Kaushil Kundalia, Lawrence Lao, Zhiqi Li, Zongyu Lin, Kevin Lin, Guilin Liu, Edith Llontop, Loic Magne, Ajay Mandlekar, Avnish Narayan, Soroush Nasiriany, Scott Reed, You Liang Tan, Guanzhi Wang, Zu Wang, Jing Wang, Qi Wan…

Lo que hace

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

Dominio: Robotics, Vision, Language
Tarea: Robotic manipulation, Animal (human/non-human) imitation
Modelo base: Eagle 2
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: 2.2B
Datos de entrenamiento: tokens
Tamaño de lote: 16,384

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: 7.1 × 10²² FLOP
Cómo se estableció: Hardware

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 H100 SXM5 80GB
Chips utilizados: 1,024
Tiempo de reloj: 49 hours
Consumo de energía: 1.4 MW

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: nvidia

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: 738

Fuentes

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

Referencia: GR00T N1: An Open Foundation Model for Generalist Humanoid Robots
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan GR00T N1 2B

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 GR00T N1 2B

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

3.0 GB

Más rápido

1,547 tok/s

GR00T N1 2B llega a un recuento de parámetros de 2.2B. 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 16.8 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 1,547 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

GR00T N1 2B fue publicado por NVIDIA, en el país registrado como United States of America, durante March 2025. Sale de una organización categorizada como industry.

Funciona en el dominio de Robotics, Vision, Language, y se registra como realizando la tarea de robotic manipulation, Animal (human/non-human) imitation.

Se basa en Eagle 2. Esa es la forma habitual en que se produce un modelo especializado.

Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible. En Hugging Face está publicado bajo la organización nvidia.

Qué decide la velocidad

El resultado mediano es alrededor de 43.4 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 787 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.

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

Entrenarlo tomó un presupuesto de computación de aproximadamente 7.1 × 10²² FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Paso a paso

Cómo elegir una GPU para GR00T N1 2B

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

Cada tarjeta aquí ha sido verificada contra GR00T N1 2B, necesitando alrededor 3.0 GB a una compresión de Q8_0. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
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. GR00T N1 2B.
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

Ordenar por velocidad

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para GR00T N1 2B. 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 1,547 tok/s
05

Lee la columna de ajuste al final

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de GR00T N1 2B. 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

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 GR00T N1 2B.

Respuestas

GR00T N1 2B — preguntas comunes

GR00T N1 2B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 2.2B. "Specifically, our publicly released GR00T-N1-2B model has 2.2B parameters in total, with 1.34B in the VLM." https://huggingface.co/nvidia/GR00T-N1-2B 2.19e9 parameters, bf16, 4.38 GB. 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.

GR00T N1 2B— ¿Quién lo creó?

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

GR00T N1 2B— ¿cuándo fue lanzado?

Se publicó en March 2025.

GR00T N1 2B— ¿Para qué se utiliza?

Funciona en el dominio de Robotics, Vision, Language, y se registra como manejando la tarea de robotic manipulation, Animal (human/non-human) imitation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

GR00T N1 2B— ¿Dónde puedo descargarlo?

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

GR00T N1 2B— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 7.1 × 10²² FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. 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.

GR00T N1 2B— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

GR00T N1 2B— ¿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.

GR00T N1 2B— ¿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: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

GR00T N1 2B— ¿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: 928–2,475 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.

GR00T N1 2B— ¿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 3.0 GB, y produce aproximadamente 16.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

GR00T N1 2B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 1,547 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: 787.

GR00T N1 2B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 3.0 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.

GR00T N1 2B— ¿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 3.0 GB y generando aproximadamente 288 tokens por segundo. El ajuste es cómodo.

GR00T N1 2B— ¿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 3.0 GB y generando aproximadamente 176 tokens por segundo. El ajuste es cómodo.

GR00T N1 2B— ¿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 3.0 GB y generando aproximadamente 219 tokens por segundo. El ajuste es cómodo.

GR00T N1 2B— ¿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 3.0 GB y generando aproximadamente 259 tokens por segundo. El ajuste es cómodo.

GR00T N1 2B— ¿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.

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