Phi-3.5-MoE calculateur TPS

Ouvrir les poids Microsoft 60.8B paramètres April 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

92 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

FirePro S9170

32 GB · Q3_K_M · 26.1 tok/s

Carte la plus rapide

B200

310 tok/s · 180 GB

Quelles GPU peuvent exécuter Phi-3.5-MoE?

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.

92 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
310 tok/s 186–495 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	62.6 GB	Q8_0	Confortable
310 tok/s 186–495 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	62.6 GB	Q8_0	Confortable
247 tok/s 148–396 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	62.6 GB	Q8_0	Confortable
247 tok/s 148–396 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	62.6 GB	Q8_0	Confortable
198 tok/s 119–316 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	62.6 GB	Q8_0	Confortable
195 tok/s 117–312 · faible confiance	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.2 GB	Q3_K_M	À l'étroit
195 tok/s 117–312 · faible confiance	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.2 GB	Q3_K_M	À l'étroit
189 tok/s 114–303 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	62.6 GB	Q8_0	Confortable
189 tok/s 114–303 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	62.6 GB	Q8_0	Confortable
187 tok/s 112–299 · faible confiance	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.2 GB	Q3_K_M	À l'étroit
187 tok/s 112–299 · faible confiance	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.2 GB	Q3_K_M	À l'étroit
181 tok/s 109–290 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	62.6 GB	Q8_0	Confortable
161 tok/s 96–257 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Confortable
161 tok/s 96–257 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Confortable
161 tok/s 96–257 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	62.6 GB	Q8_0	Confortable
152 tok/s 91–244 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	62.6 GB	Q8_0	Confortable
139 tok/s 84–223 · faible confiance	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.3 GB	Q4_K_M	À l'étroit
139 tok/s 84–223 · faible confiance	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.3 GB	Q4_K_M	À l'étroit
139 tok/s 84–223 · faible confiance	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.3 GB	Q4_K_M	À l'étroit
130 tok/s 78–208 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Confortable
130 tok/s 78–208 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	62.6 GB	Q8_0	À l'étroit
130 tok/s 78–208 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Confortable
130 tok/s 78–208 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	Confortable
130 tok/s 78–208 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	62.6 GB	Q8_0	À l'étroit
129 tok/s 78–207 · faible confiance	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.4 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: Microsoft
Type d'organisation: Industry
Pays: United States of America
Publié: 23 April 2024
Auteurs: Marah Abdin, Sam Ade Jacobs, Ammar Ahmad Awan, Jyoti Aneja, Ahmed Awadallah, Hany Awadalla, Nguyen Bach, Amit Bahree, Arash Bakhtiari, Harkirat Behl, Alon Benhaim, Misha Bilenko, Johan Bjorck, Sébastien Bubeck, Martin Cai, Caio César Teodoro Mendes, Weizhu Chen, Vishrav Chaudhary, Parul Chopra, Allie Del Giorno, Gustavo de Rosa, Matthew Dixon, Ronen Eldan, Dan Iter, Amit Garg, Abhishek Goswami, Su…

Ce qu'il fait

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

Domaine: Language
Tâche: Language modeling/generation, Translation, Question answering, Code generation, Quantitative reasoning

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: 60.8B
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 × 10²³ FLOP
Comment cela a été établi: Hardware,Operation counting

L'exécution de formation

Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.

Matériel d'entraînement: NVIDIA H100 SXM5 80GB
Chips utilisés: 512
Temps en temps réel: 552 hours (23 days)
Consommation d'énergie: 708.4 kW

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: microsoft

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: Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Phi-3.5-MoE

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 Phi-3.5-MoE

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 qu'il faut pour exécuter ce modèle

Carte minimale

FirePro S9170

Mémoire requise

27.2 GB

Le plus rapide

310 tok/s

Phi-3.5-MoE atteint un nombre de paramètres de 60.8B. Cela le place au-dessus du matériel grand public, dans la gamme où une carte est achetée à cette fin plutôt que réutilisée pour cela. Le nombre de cartes que nous suivons qui peuvent le supporter : 92.

La plus petite carte qui le contient est FirePro S9170, avec une capacité de mémoire de 32 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 26.1 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 310 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

Phi-3.5-MoE a été publié par Microsoft, dans le pays enregistré comme United States of America, durant April 2024. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Translation, Question answering, Code generation, Quantitative reasoning.

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 microsoft.

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

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 79.0 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 92 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.

Sans la disposition d'attention sur fichier, la colonne de mémoire est une approximation. Elle est suffisamment proche pour choisir le matériel, et la moins fiable sur un long contexte.

Entraînement et provenance

La production a nécessité des calculs totalisant environ 3 × 10²³ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. 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 Phi-3.5-MoE

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

Commencez par la colonne mémoire

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de Phi-3.5-MoE, ayant besoin d'environ 27.2 GB à une compression de Q3_K_M. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
02

Décidez combien de temps vos conversations tournent

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. Phi-3.5-MoE.
03

Définir un seuil de qualité

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 Phi-3.5-MoE. 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 310 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de Phi-3.5-MoE. 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

Vérifiez la carte de l'autre côté

Suivre une CARTE jusqu'à sa propre page montre chaque autre MODÈLE qu'elle peut supporter, ce qui est la question qui suit une fois que vous vous êtes décidé sur Phi-3.5-MoE.

Réponses

Phi-3.5-MoE — questions courantes

Phi-3.5-MoE— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Translation, Question answering, Code generation, Quantitative reasoning. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Phi-3.5-MoE— où puis-je le télécharger ?

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

Phi-3.5-MoE— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 3 × 10²³ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. 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.

Phi-3.5-MoE— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Il peut être réparti entre la carte et la mémoire système, mais cela génère de manière douloureuse lentement. La plus proche approximation que nous calculons est inférieure de 9.1 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Phi-3.5-MoE— deux GPUs l'exécuteraient-ils plus rapidement ?

Deux cartes achètent de la mémoire plutôt que de la vitesse, ce qui est important seulement si une carte ne peut pas la contenir. Le nombre qui peut : 92. Ainsi, une seconde carte est rarement la réponse ici.

Phi-3.5-MoE— 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 : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Phi-3.5-MoE— quelle est la précision de ces estimations de vitesse ?

Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : 186–495 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.

Phi-3.5-MoE— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est FirePro S9170, avec une capacité de mémoire de 32 GB. Il exécute le modèle à une compression de Q3_K_M environ 27.2 GB, et produit environ 26.1 tous les GPU capables de l'exécuter en total 92.

Phi-3.5-MoE— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 310 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 : 92.

Phi-3.5-MoE— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 27.2 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.

Phi-3.5-MoE— 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.

Phi-3.5-MoE— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 60.8B. "Phi-3.5-MoE has 16x3.8B parameters with 6.6B active parameters when using 2 experts. The model is a mixture-of-expert decoder-only Transformer model using the tokenizer with vocabulary size of 32,064.". 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.

Phi-3.5-MoE— qui l'a créé ?

Il a été publié par Microsoft, basé sur United States of America, une organisation catégorisée comme industry.

Phi-3.5-MoE— quand a-t-il été publié ?

Il a été publié dans April 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.

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