Inkling calculadora TPS
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 tenemos especificaciones para
¿Qué GPU pueden ejecutar? Inkling?
Establecer las entradas, leer la respuesta
Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..
Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..
0 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
Ninguna tarjeta en nuestro catálogo puede ejecutar este modelo con estas configuraciones.. |
|||||||
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
- Thinking Machines
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 15 July 2026
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language, Multimodal, Audio, Video, Vision
- Tarea
- Language modeling/generation, Chat
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
- 975B
- Datos de entrenamiento
- 45,000,000,000,000 tokens
975B total, 41B active
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
- 1.8 × 10²⁴ FLOP
6ND = 41e9 active parameters * 45e12 tokens = 1.845e+24 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 GB300 (Blackwell Ultra)
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)
- Hugging Face
- thinkingmachines
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
- Discretionary
- Confianza de registro
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Inkling: Our open-weights model
- Última actualización
- 18 July 2026
Qué significan los números
Lo que necesitas para ejecutar esto
Inkling llega a un recuento de parámetros de 975B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 0.
Qué es este modelo
Inkling fue publicado por Thinking Machines, en el país registrado como United States of America, durante July 2026. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, Multimodal, Audio, Video, Vision, y se registra como realizando la tarea de language modeling/generation, Chat.
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 thinkingmachines.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 1.8 × 10²⁴ FLOP, en hardware registrado como NVIDIA GB300 (Blackwell Ultra). Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 45,000,000,000,000 tokens de texto
Su criterio de inclusión: discretionary.
Paso a paso
Cómo elegir una GPU para Inkling
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 Inkling. Esa cifra, no el rendimiento principal de una CARD, es lo que decide si se ejecuta.
-
02
Decide cuánto duran tus conversaciones.
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 Inkling.
-
03
Establecer un umbral de calidad
La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa.. 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
Compara tokens por segundo, no especificaciones
Ordenar por velocidad para ver cómo se clasifican las tarjetas por Inkling. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria.
-
05
Lee la columna de ajuste al final
La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de Inkling. 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 página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de Inkling.
Respuestas
Inkling — preguntas comunes
Inkling— ¿Correrían dos GPUS más rápido?
La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 0. Así que una segunda tarjeta rara vez es la respuesta aquí.
Inkling— ¿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.
Inkling— ¿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: el rango debajo de cada cifra. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
Inkling— ¿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.
Inkling— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 975B. 975B total, 41B active. 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.
Inkling— ¿Quién lo creó?
Fue publicado por Thinking Machines, basado en United States of America, una organización categorizada como industry.
Inkling— ¿cuándo fue lanzado?
Se publicó en July 2026.
Inkling— ¿Para qué se utiliza?
Funciona en el dominio de Language, Multimodal, Audio, Video, Vision, y se registra como manejando la tarea de language modeling/generation, Chat. 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.
Inkling— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización thinkingmachines. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
Inkling— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.8 × 10²⁴ FLOP, en hardware registrado como NVIDIA GB300 (Blackwell Ultra). 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.
Inkling— ¿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. El fallo más cercano que calculamos se queda corto por 263.3 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
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.