OpenThaiGPT v1.0.0 (13B) calculateur TPS

Ouvrir les poids Mahidol University,AI Entrepreneurs Association of Thailand 13.1B 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

509 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Xeon Phi 5110P

8 GB · Q3_K_M · 18.2 tok/s

Carte la plus rapide

B200

259 tok/s · 180 GB

Quelles GPU peuvent exécuter OpenThaiGPT v1.0.0 (13B)?

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.

509 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
259 tok/s 155–414 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.7 GB	Q8_0	Confortable
259 tok/s 155–414 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.7 GB	Q8_0	Confortable
207 tok/s 124–330 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Confortable
207 tok/s 124–330 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Confortable
165 tok/s 99–264 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.7 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Confortable
151 tok/s 91–242 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.7 GB	Q8_0	Confortable
134 tok/s 81–215 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Confortable
134 tok/s 81–215 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Confortable
134 tok/s 81–215 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Confortable
130 tok/s 78–208 · faible confiance	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.1 GB	Q3_K_M	À l'étroit
127 tok/s 76–204 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.7 GB	Q8_0	Confortable
116 tok/s 70–186 · faible confiance	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q4_K_M	À l'étroit
109 tok/s 65–174 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.7 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Confortable
82.7 tok/s 50–132 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Confortable
82.7 tok/s 50–132 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Confortable
68.9 tok/s 41–110 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.7 GB	Q8_0	Confortable
67.5 tok/s 40–108 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.7 GB	Q8_0	Confortable
67.0 tok/s 40–107 · faible confiance	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	7.1 GB	Q3_K_M	À l'étroit
66.0 tok/s 40–106 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.7 GB	Q8_0	Confortable

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: Mahidol University,AI Entrepreneurs Association of Thailand
Type d'organisation: Academia
Pays: Thailand
Publié: 8 April 2024
Auteurs: Kobkrit Viriyayudhakorn, Sumeth Yuenyong, Thaweewat Rugsujarit, Jillaphat Jaroenkantasima, Norapat Buppodom, Koravich Sangkaew, Peerawat Rojratchadakorn, Surapon Nonesung, Chanon Utupon, Sadhis Wongprayoon, Nucharee Thongthungwong, Chawakorn Phiantham, Patteera Triamamornwooth. Nattarika Juntarapaoraya, Kriangkrai Saetan, Pitikorn Khlaisamniang

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, Retrieval-augmented generation
Modèle de base: Llama 2-13B

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: 13.1B
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: 5.1 × 10²¹ FLOP
Comment cela a été établi: Operation counting
Ajustement fin des calculs: 7.9 × 10¹⁶ FLOP

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 (restricted use)
Code d'entraînement: Unreleased
Hugging Face: openthaigpt

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.

Confiance d'enregistrement: Confident

Sources

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

Référence: OpenThaiGPT 13b 1.0.0
Dernière mise à jour: 11 February 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent OpenThaiGPT v1.0.0 (13B)

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 OpenThaiGPT v1.0.0 (13B)

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

Le côté matériel

Carte minimale

Xeon Phi 5110P

Mémoire requise

7.1 GB

Le plus rapide

259 tok/s

OpenThaiGPT v1.0.0 (13B) atteint un nombre de paramètres de 13.1B. C'est suffisamment petit pour que le matériel soit rarement l'obstacle, y compris sur des CARDS âgées de plusieurs années. Le nombre de CARDS que nous suivons et qui peuvent le faire fonctionner : 509.

À l'extrémité inférieure, cela est géré par Xeon Phi 5110P, avec une capacité de mémoire de 8 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 18.2 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 259 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

OpenThaiGPT v1.0.0 (13B) a été publié par Mahidol University,AI Entrepreneurs Association of Thailand, dans le pays enregistré comme Thailand, durant April 2024. L'organisation de publication est catégorisée comme academia.

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

Il s'appuie sur Llama 2-13B. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.

Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable. Sur Hugging Face, il est publié sous l'organisation openthaigpt.

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

Le résultat médian est d'environ 21.1 tokens par seconde. Dépassement direct de la vitesse de lecture. 459 d'eux

Chaque poids participe à chaque jeton ici, donc la bande passante est toute l'histoire : le classement ci-dessous est effectivement un classement du débit de mémoire.

La mémoire ici est estimée à partir de la taille plutôt que calculée à partir de l'architecture, qui n'est pas enregistrée pour ce modèle — les chiffres sont indicatifs plutôt qu'exacts.

Comment il a été entraîné

L'entraînement a consommé environ 5.1 × 10²¹ 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 OpenThaiGPT v1.0.0 (13B)

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 OpenThaiGPT v1.0.0 (13B), ayant besoin d'environ 7.1 GB à une compression de Q3_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Faites correspondre le contexte à votre utilisation réelle.

Définissez le contexte de ce que vous allez réellement utiliser. Le cache augmente avec la conversation, et c'est la raison habituelle pour laquelle une carte qui semblait convenir cesse de s'adapter. OpenThaiGPT v1.0.0 (13B).
03

Décidez combien de compression vous allez accepter

La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise., 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

Classer par débit plutôt que par fiche technique

Trier par vitesse pour voir comment les cartes se classent pour OpenThaiGPT v1.0.0 (13B). 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 259 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de OpenThaiGPT v1.0.0 (13B). 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

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 OpenThaiGPT v1.0.0 (13B).

Réponses

OpenThaiGPT v1.0.0 (13B) — questions courantes

OpenThaiGPT v1.0.0 (13B)— 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.

OpenThaiGPT v1.0.0 (13B)— 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, Retrieval-augmented generation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.

OpenThaiGPT v1.0.0 (13B)— où puis-je le télécharger ?

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

OpenThaiGPT v1.0.0 (13B)— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5.1 × 10²¹ 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.

OpenThaiGPT v1.0.0 (13B)— 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 3.2 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

OpenThaiGPT v1.0.0 (13B)— 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 : 509. Ainsi, une seconde carte est rarement la réponse ici.

OpenThaiGPT v1.0.0 (13B)— pourquoi la quantification diffère-t-elle entre les cartes ?

Parce que la capacité varie, il en va de même pour la difficulté à être comprimé. Le nombre de niveaux distincts dans le tableau ci-dessus : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

OpenThaiGPT v1.0.0 (13B)— 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 : 155–414 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.

OpenThaiGPT v1.0.0 (13B)— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Xeon Phi 5110P, avec une capacité de mémoire de 8 GB. Il exécute le modèle à une compression de Q3_K_M environ 7.1 GB, et produit environ 18.2 tous les GPU capables de l'exécuter en total 509.

OpenThaiGPT v1.0.0 (13B)— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 259 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 : 459.

OpenThaiGPT v1.0.0 (13B)— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 7.1 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.

OpenThaiGPT v1.0.0 (13B)— Puis-je l'exécuter sur un GPU détenant 8 GB ?

Oui. La carte CMP 170HX 8 GB, tenue 8 GB, l'exécute à une compression de Q3_K_M, environ 7.1 GO et générant à peu près 130 tokens par seconde. L'ajustement est serré.

OpenThaiGPT v1.0.0 (13B)— Puis-je l'exécuter sur un GPU détenant 12 GB ?

Oui. La carte GeForce RTX 3080 Ti, tenue 12 GB, l'exécute à une compression de Q5_K_M, environ 10.1 GO et générant à peu près 52.7 tokens par seconde. L'ajustement est serré.

OpenThaiGPT v1.0.0 (13B)— Puis-je l'exécuter sur un GPU détenant 16 GB ?

Oui. La carte Tesla V100 SXM2 16 GB, tenue 16 GB, l'exécute à une compression de Q6_K, environ 11.7 GO et générant à peu près 53.1 jetons par seconde. L'adéquation est confortable.

OpenThaiGPT v1.0.0 (13B)— Puis-je l'exécuter sur un GPU détenant 24 GB ?

Oui. La carte GeForce RTX 5090 D V2, tenue 24 GB, l'exécute à une compression de Q8_0, environ 14.7 GO et générant à peu près 43.3 jetons par seconde. L'adéquation est confortable.

OpenThaiGPT v1.0.0 (13B)— 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.

OpenThaiGPT v1.0.0 (13B)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 13.1B. https://huggingface.co/openthaigpt/openthaigpt-1.0.0-13b-chat. 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.

OpenThaiGPT v1.0.0 (13B)— qui l'a créé ?

Il a été publié par Mahidol University,AI Entrepreneurs Association of Thailand, basé sur Thailand, une organisation catégorisée comme academia.

Source

Publication originale

Dernière mise à jour enregistrée 11 February 2026

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