Playground v2.5 calculateur TPS

Ouvrir les poids Playground 3.5B paramètres February 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

818 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Tesla C1080

4 GB · Q5_K_M · 18.8 tok/s

Carte la plus rapide

B200

968 tok/s · 180 GB

Quelles GPU peuvent exécuter Playground v2.5?

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.

818 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
968 tok/s 581–1,549 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	4.4 GB	Q8_0	Confortable
968 tok/s 581–1,549 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	4.4 GB	Q8_0	Confortable
773 tok/s 464–1,237 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	4.4 GB	Q8_0	Confortable
773 tok/s 464–1,237 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	4.4 GB	Q8_0	Confortable
618 tok/s 371–989 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	4.4 GB	Q8_0	Confortable
592 tok/s 355–947 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.4 GB	Q8_0	Confortable
592 tok/s 355–947 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.4 GB	Q8_0	Confortable
566 tok/s 340–906 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	4.4 GB	Q8_0	Confortable
503 tok/s 302–804 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	4.4 GB	Q8_0	Confortable
503 tok/s 302–804 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	4.4 GB	Q8_0	Confortable
503 tok/s 302–804 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	4.4 GB	Q8_0	Confortable
477 tok/s 286–763 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	4.4 GB	Q8_0	Confortable
407 tok/s 244–651 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.4 GB	Q8_0	Confortable
407 tok/s 244–651 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	4.4 GB	Q8_0	Confortable
407 tok/s 244–651 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	4.4 GB	Q8_0	Confortable
407 tok/s 244–651 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.4 GB	Q8_0	Confortable
407 tok/s 244–651 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	4.4 GB	Q8_0	Confortable
310 tok/s 186–495 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	4.4 GB	Q8_0	Confortable
310 tok/s 186–495 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	4.4 GB	Q8_0	Confortable
258 tok/s 155–413 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	4.4 GB	Q8_0	Confortable
252 tok/s 151–404 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	4.4 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	4.4 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	4.4 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	4.4 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	4.4 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: Playground
Type d'organisation: Industry
Pays: United States of America
Publié: 27 February 2024
Auteurs: Daiqing Li, Aleks Kamko, Ehsan Akhgari, Ali Sabet, Linmiao Xu, Suhail Doshi

Ce qu'il fait

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

Domaine: Image generation
Tâche: Text-to-image, Image generation

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: 3.5B
Données d'entraînement: tokens

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: playgroundai

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: Unknown
Citations: 234

Sources

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

Référence: Playground v2.5: Three Insights towards Enhancing Aesthetic Quality in Text-to-Image Generation
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Playground v2.5

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 Playground v2.5

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

Tesla C1080

Mémoire requise

3.2 GB

Le plus rapide

968 tok/s

Playground v2.5 atteint un nombre de paramètres de 3.5B. 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 : 818.

Le matériel minimum qui fonctionne est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q5_K_M et produisant environ 18.8 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 968 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

Playground v2.5 a été publié par Playground, dans le pays enregistré comme United States of America, durant February 2024. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de text-to-image, Image generation.

Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir. Sur Hugging Face, il est publié sous l'organisation playgroundai.

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

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 32.5 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 778 d'eux

C'est un modèle dense, donc chaque paramètre est lu pour chaque jeton produit. Cela rend la vitesse presque exactement proportionnelle à la bande passante mémoire — une carte avec le double de la bande passante génère environ deux fois plus rapidement.

Son architecture interne n'est pas dans notre base de données, donc la mémoire est approximée à partir du nombre de paramètres et marquée en conséquence. Attendez-vous à ce que la véritable valeur diffère, surtout pour un long CONTEXT LENGTH.

Étape par étape

Comment choisir un GPU pour Playground v2.5

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

La table répertorie chaque carte capable de supporter Playground v2.5, ayant besoin d'environ 3.2 GB à une compression de Q5_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.

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. Playground v2.5.
03

Décidez combien de compression vous allez accepter

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., atteignant une compression de Q5_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

Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour Playground v2.5. 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 968 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 Playground v2.5. 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 page de carte répète ce balayage pour chaque modèle que nous détenons, répondant à ce que le matériel peut faire d'autre au-delà de Playground v2.5.

Réponses

Playground v2.5 — questions courantes

Playground v2.5— 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. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Playground v2.5— deux GPUs l'exécuteraient-ils plus rapidement ?

La capacité s'additionne entre les cartes ; le débit ne le fait pas. Le nombre de cartes déjà capables de le garder par elles-mêmes : 818. Ainsi, une seconde carte est rarement la réponse ici.

Playground v2.5— 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 : 2. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Playground v2.5— 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 : 581–1,549 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.

Playground v2.5— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Tesla C1080, avec une capacité de mémoire de 4 GB. Il exécute le modèle à une compression de Q5_K_M environ 3.2 GB, et produit environ 18.8 tous les GPU capables de l'exécuter en total 818.

Playground v2.5— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 968 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 : 778.

Playground v2.5— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 3.2 GB à une compression de Q5_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.

Playground v2.5— 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 Q8_0, environ 4.4 GO et générant à peu près 180 jetons par seconde. L'adéquation est confortable.

Playground v2.5— 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 Q8_0, environ 4.4 GO et générant à peu près 110 jetons par seconde. L'adéquation est confortable.

Playground v2.5— 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 Q8_0, environ 4.4 GO et générant à peu près 137 jetons par seconde. L'adéquation est confortable.

Playground v2.5— 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 4.4 GO et générant à peu près 162 jetons par seconde. L'adéquation est confortable.

Playground v2.5— 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.

Playground v2.5— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 3.5B. The Model Description section of [1] says that the model “follows the same architecture as Stable Diffusion XL.” It also says that the model is a latent diffusion model that uses OpenCLIP-ViT/G and CLIP-ViT/L as text encoders, which seemingly would make it identical to Stable Diffusion XL [2]. Therefore, I will assume that Playground v2.5 has the same number of parameters as the Stable Diffusion XL 1.0 base model, which has 3.5B model parameters [3]. 1. https://huggingface.co/playgroundai/playground-v2.5-1024px-aesthetic 2. https://arxiv.org/pdf/2307.01952 3. https://stability.ai/news/stable-diffusion-sdxl-1-announcement. 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.

Playground v2.5— qui l'a créé ?

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

Playground v2.5— quand a-t-il été publié ?

Il a été publié dans February 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.

Playground v2.5— à quoi ça sert ?

Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de text-to-image, Image generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

Playground v2.5— où puis-je le télécharger ?

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

Source

Publication originale

Dernière mise à jour enregistrée 25 May 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