Qwen2-57B-A14B calculateur TPS

Ouvrir les poids Alibaba 57B paramètres June 2024

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

93 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Radeon PRO V710

28 GB · Q3_K_M · 32.1 tok/s

Carte la plus rapide

B200

242 tok/s · 180 GB

Quelles GPU peuvent exécuter Qwen2-57B-A14B?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

93 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
242 tok/s 145–387 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	57.8 GB	Q8_0	Confortable
242 tok/s 145–387 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	57.8 GB	Q8_0	Confortable
193 tok/s 116–309 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	57.8 GB	Q8_0	Confortable
193 tok/s 116–309 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	57.8 GB	Q8_0	Confortable
155 tok/s 93–247 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	57.8 GB	Q8_0	Confortable
148 tok/s 89–237 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	57.8 GB	Q8_0	Confortable
148 tok/s 89–237 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	57.8 GB	Q8_0	Confortable
142 tok/s 85–227 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	57.8 GB	Q8_0	Confortable
139 tok/s 83–222 · faible confiance	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	IQ4_XS	À l'étroit
139 tok/s 83–222 · faible confiance	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.9 GB	IQ4_XS	À l'étroit
133 tok/s 80–213 · faible confiance	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	IQ4_XS	À l'étroit
133 tok/s 80–213 · faible confiance	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.9 GB	IQ4_XS	À l'étroit
126 tok/s 75–201 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Confortable
126 tok/s 75–201 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Confortable
126 tok/s 75–201 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	57.8 GB	Q8_0	Confortable
119 tok/s 72–191 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	57.8 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	31.3 GB	Q4_K_M	À l'étroit
109 tok/s 65–174 · faible confiance	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	31.3 GB	Q4_K_M	À l'étroit
109 tok/s 65–174 · faible confiance	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	31.3 GB	Q4_K_M	À l'étroit
102 tok/s 61–163 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Confortable
102 tok/s 61–163 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	57.8 GB	Q8_0	Confortable
102 tok/s 61–163 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Confortable
102 tok/s 61–163 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Confortable
102 tok/s 61–163 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	57.8 GB	Q8_0	Confortable
101 tok/s 61–162 · faible confiance	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	37.9 GB	Q5_K_M	À l'étroit

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

Enregistrement

Spécifications complètes

Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..

Origine

Qui a construit ce modèle, où, et quand il a été publié.

Organisation: Alibaba
Type d'organisation: Industry
Pays: China
Publié: 7 June 2024
Auteurs: An Yang, Baosong Yang, Binyuan Hui, Bo Zheng, Bowen Yu, Chang Zhou, Chengpeng Li, Chengyuan Li, Dayiheng Liu, Fei Huang, Guanting Dong, Haoran Wei, Huan Lin, Jialong Tang, Jialin Wang, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Ma, Jianxin Yang, Jin Xu, Jingren Zhou, Jinze Bai, Jinzheng He, Junyang Lin, Kai Dang, Keming Lu, Keqin Chen, Kexin Yang, Mei Li, Mingfeng Xue, Na Ni, Pei Zhang, Peng W…

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Language
Tâche: Chat, Language modeling/generation, Question answering
Approche: Self-supervised learning

Taille

Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.

paramètres: 57B
Données d'entraînement: tokens

Calcul de formation

L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.

Calcul de formation: 3.8 × 10²³ FLOP
Comment cela a été établi: Operation counting

Disponibilité

Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.

Poids: Open — downloadable
Accès au modèle: Open weights (unrestricted)
Code d'entraînement: Unreleased
Hugging Face: Qwen

Comment il est classé

Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.

Probablement au-dessus de 10²³ FLOP: Yes
Confiance d'enregistrement: Confident

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Hello Qwen2
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Qwen2-57B-A14B

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore Qwen2-57B-A14B

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Ce dont vous avez besoin pour l'exécuter

Carte minimale

Radeon PRO V710

Mémoire requise

24.6 GB

Le plus rapide

242 tok/s

Qwen2-57B-A14B atteint un nombre de paramètres de 57B. Cela se situe dans la gamme qu'une carte de bureau sérieuse peut gérer une fois les poids compressés. Le nombre de cartes que nous suivons qui peuvent l'exécuter : 93.

Le matériel minimum qui fonctionne est Radeon PRO V710, avec une capacité de mémoire de 28 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 32.1 tokens par seconde

Haut de gamme est B200, générant à peu près 242 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

Qwen2-57B-A14B a été publié par Alibaba, dans le pays enregistré comme China, durant June 2024. Cela provient d'une organisation classée comme industry.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de chat, Language modeling/generation, Question answering.

Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé. Sur Hugging Face, il est publié sous l'organisation Qwen.

À quelle vitesse cela fonctionne-t-il, et pourquoi

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 61.7 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 90 d'eux

C'est un modèle mélange d'experts, qui achemine chaque jeton à travers seulement une partie de lui-même. Il génère donc beaucoup plus rapidement que sa taille totale ne le suggère — tout en nécessitant chaque paramètre résident dans la mémoire, il est donc rapide sans être bon marché à maintenir.

Parce que l'architecture est enregistrée, la colonne de mémoire est dérivée plutôt qu'estimée.

Entraînement et provenance

L'entraînement a consommé environ 3.8 × 10²³ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Étape par étape

Comment choisir un GPU pour Qwen2-57B-A14B

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Vérifiez ce dont cela a besoin avant toute autre chose

Chaque carte ici a été vérifiée contre Qwen2-57B-A14B, ayant besoin d'environ 24.6 GB à une compression de Q3_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. Qwen2-57B-A14B.
03

Choisissez jusqu'où vous allez le compresser

La Compression est ce qui permet à un modèle de s'adapter à des cartes plus petites, au prix d'une certaine précision., atteignant une compression de Q3_K_M sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour Qwen2-57B-A14B. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 242 tok/s
05

Lisez la colonne de compatibilité en dernier.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de Qwen2-57B-A14B. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Ouvrez la carte sur laquelle vous vous êtes arrêté.

Chaque nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour Qwen2-57B-A14B.

Réponses

Qwen2-57B-A14B — questions courantes

Qwen2-57B-A14B— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation Qwen. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

Qwen2-57B-A14B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 3.8 × 10²³ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.

Qwen2-57B-A14B— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Seulement en déchargeant, ce qui est généralement une fausse économie : la partie maintenue en mémoire système tire l'ensemble vers le bas. La plus proche approximation que nous calculons est inférieure de 9.7 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Qwen2-57B-A14B— deux GPUs l'exécuteraient-ils plus rapidement ?

Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 93. Ainsi, une seconde carte est rarement la réponse ici.

Qwen2-57B-A14B— pourquoi la quantification diffère-t-elle entre les cartes ?

Une carte plus grande contient une copie plus précise. Le nombre de niveaux de compression utilisés sur les cartes qui l'exécutent : 6. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Qwen2-57B-A14B— quelle est la précision de ces estimations de vitesse ?

Ils sont calculés à partir des spécifications plutôt que mesurés, et chacun a une plage. Un exemple : 145–387 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

Qwen2-57B-A14B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Radeon PRO V710, avec une capacité de mémoire de 28 GB. Il exécute le modèle à une compression de Q3_K_M environ 24.6 GB, et produit environ 32.1 tous les GPU capables de l'exécuter en total 93.

Qwen2-57B-A14B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 242 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 90.

Qwen2-57B-A14B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 24.6 GB à une compression de Q3_K_M, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

Qwen2-57B-A14B— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

Qwen2-57B-A14B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 57B. 57B parameters (table 1). Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.

Qwen2-57B-A14B— qui l'a créé ?

Il a été publié par Alibaba, basé sur China, une organisation catégorisée comme industry.

Qwen2-57B-A14B— quand a-t-il été publié ?

Il a été publié dans June 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.

Qwen2-57B-A14B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de chat, Language modeling/generation, Question answering. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

L'autre direction

Regardez-le de l'autre côté ?

Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.

Tous les modèles AI