InternVL2_5-78B calculadora TPS

Abre pesos Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University 78.4B parámetros December 2024

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

58 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Quadro RTX 8000

48 GB · Q3_K_M · 9.8 tok/s

Tarjeta más rápida

B200

43.2 tok/s · 180 GB

¿Qué GPU pueden ejecutar? InternVL2_5-78B?

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.

58 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
43.2 tok/s 26–69 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	84.6 GB	Q8_0	Cómodo
43.2 tok/s 26–69 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	84.6 GB	Q8_0	Cómodo
34.5 tok/s 21–55 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	84.6 GB	Q8_0	Cómodo
34.5 tok/s 21–55 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	84.6 GB	Q8_0	Cómodo
30.9 tok/s 19–49 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	66.4 GB	Q6_K	Cómodo
27.6 tok/s 17–44 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	84.6 GB	Q8_0	Cómodo
27.3 tok/s 16–44 · baja confianza	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	39.0 GB	Q3_K_M	Ajustado
26.4 tok/s 16–42 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	84.6 GB	Q8_0	Cómodo
26.4 tok/s 16–42 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	84.6 GB	Q8_0	Cómodo
26.4 tok/s 16–42 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	66.4 GB	Q6_K	Ajustado
26.4 tok/s 16–42 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	66.4 GB	Q6_K	Cómodo
26.4 tok/s 16–42 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	66.4 GB	Q6_K	Ajustado
25.3 tok/s 15–40 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	84.6 GB	Q8_0	Cómodo
22.4 tok/s 13–36 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Cómodo
22.4 tok/s 13–36 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Cómodo
22.4 tok/s 13–36 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Cómodo
19.5 tok/s 12–31 · baja confianza	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	39.0 GB	Q3_K_M	Ajustado
19.5 tok/s 12–31 · baja confianza	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	57.3 GB	Q5_K_M	Ajustado
18.2 tok/s 11–29 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	84.6 GB	Q8_0	Ajustado
18.2 tok/s 11–29 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	84.6 GB	Q8_0	Ajustado
16.0 tok/s 10–26 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	66.4 GB	Q6_K	Ajustado
16.0 tok/s 10–26 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	66.4 GB	Q6_K	Ajustado
16.0 tok/s 10–26 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	66.4 GB	Q6_K	Ajustado
16.0 tok/s 10–26 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	66.4 GB	Q6_K	Ajustado
16.0 tok/s 10–26 · baja confianza	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	66.4 GB	Q6_K	Ajustado

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: Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University
Tipo de Organización: Academia,Industry,Academia,Academia,Academia,Academia,Academia
País: China, Hong Kong
Publicado: 6 December 2024
Autores: Zhe Chen, Weiyun Wang, Yue Cao, Yangzhou Liu, Zhangwei Gao, Erfei Cui, Jinguo Zhu, Shenglong Ye, Hao Tian, Zhaoyang Liu, Lixin Gu, Xuehui Wang, Qingyun Li, Yimin Ren, Zixuan Chen, Jiapeng Luo, Jiahao Wang, Tan Jiang, Bo Wang, Conghui He, Botian Shi, Xingcheng Zhang, Han Lv, Yi Wang, Wenqi Shao, Pei Chu, Zhongying Tu, Tong He, Zhiyong Wu, Huipeng Deng, Jiaye Ge, Kai Chen, Kaipeng Zhang, Limin Wang,…

Lo que hace

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

Dominio: Multimodal, Language, Vision
Tarea: Visual question answering, Language modeling/generation, Question answering, Character recognition (OCR)
Modelo base: Qwen2.5 Instruct (72B),InternViT-6B

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: 78.4B
Datos de entrenamiento: 120,000,000,000 tokens
Épocas: 1

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: Operation counting
Computación de ajuste fino: 2.1 × 10²² 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)
Código de entrenamiento: Open source
Hugging Face: OpenGVLab

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: 1,468

Fuentes

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

Referencia: Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan InternVL2_5-78B

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 InternVL2_5-78B

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

Quadro RTX 8000

Memoria necesaria

39.0 GB

Más rápido

43.2 tok/s

InternVL2_5-78B llega a un recuento de parámetros de 78.4B. Eso lo coloca por encima del hardware de consumo, en el rango donde se compra una tarjeta para este propósito en lugar de ser reutilizada para ello. El número de tarjetas que seguimos que pueden contenerlo: 58.

El punto de entrada es Quadro RTX 8000, con una capacidad de memoria de 48 GB, ejecutándolo a una compresión de Q3_K_M y produciendo alrededor 9.8 tokens por segundo

Gama alta es B200, generando aproximadamente 43.2 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

InternVL2_5-78B fue publicado por Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University, en el país registrado como China, durante December 2024. Sale de una organización categorizada como academia,Industry,Academia,Academia,Academia,Academia,Academia.

Funciona en el dominio de Multimodal, Language, Vision, y se registra como realizando la tarea de visual question answering, Language modeling/generation, Question answering, Character recognition (OCR).

Se basa en Qwen2.5 Instruct (72B),InternViT-6B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.

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 OpenGVLab.

Qué decide la velocidad

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 13.9 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 44 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.

Entrenamiento y procedencia

Fue entrenado en un corpus de aproximadamente 120,000,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para InternVL2_5-78B

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

Empieza desde lo que realmente necesita, que es el requerimiento de InternVL2_5-78B, necesitando alrededor 39.0 GB a una compresión de Q3_K_M. 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 InternVL2_5-78B.
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. InternVL2_5-78B. 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 43.2 tok/s
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 InternVL2_5-78B. 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 InternVL2_5-78B.

Respuestas

InternVL2_5-78B — preguntas comunes

InternVL2_5-78B— ¿Para qué se utiliza?

Funciona en el dominio de Multimodal, Language, Vision, y se registra como manejando la tarea de visual question answering, Language modeling/generation, Question answering, Character recognition (OCR). 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.

InternVL2_5-78B— ¿Dónde puedo descargarlo?

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

InternVL2_5-78B— ¿Puedo ejecutarlo si no cabe en mi GPU?

Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. El fallo más cercano que calculamos se queda corto por 12.1 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

InternVL2_5-78B— ¿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: 58. Así que una segunda tarjeta rara vez es la respuesta aquí.

InternVL2_5-78B— ¿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: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

InternVL2_5-78B— ¿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: 26–69 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.

InternVL2_5-78B— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Quadro RTX 8000, con una capacidad de memoria de 48 GB. Funciona el modelo a una compresión de Q3_K_M usando alrededor 39.0 GB, y produce aproximadamente 9.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 58.

InternVL2_5-78B— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 43.2 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: 44.

InternVL2_5-78B— ¿Cuánta VRAM necesita?

Necesita aproximadamente 39.0 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.

InternVL2_5-78B— ¿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.

InternVL2_5-78B— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 78.4B. 78.4B. 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.

InternVL2_5-78B— ¿Quién lo creó?

Fue publicado por Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University, basado en China, una organización categorizada como academia,Industry,Academia,Academia,Academia,Academia,Academia.

InternVL2_5-78B— ¿cuándo fue lanzado?

Se publicó en December 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.

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