SPHINX (Llama 2 13B) calculateur TPS

Ouvrir les poids Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University 19.9B paramètres November 2023

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

293 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Quadro K6000

12 GB · Q3_K_M · 14.1 tok/s

Carte la plus rapide

B200

170 tok/s · 180 GB

Quelles GPU peuvent exécuter SPHINX (Llama 2 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.

293 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
170 tok/s 102–272 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	22.0 GB	Q8_0	Confortable
170 tok/s 102–272 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	22.0 GB	Q8_0	Confortable
136 tok/s 82–218 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Confortable
136 tok/s 82–218 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Confortable
109 tok/s 65–174 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	22.0 GB	Q8_0	Confortable
104 tok/s 62–167 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Confortable
104 tok/s 62–167 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Confortable
99.6 tok/s 60–159 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	22.0 GB	Q8_0	Confortable
88.4 tok/s 53–141 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Confortable
88.4 tok/s 53–141 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Confortable
88.4 tok/s 53–141 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Confortable
83.9 tok/s 50–134 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	22.0 GB	Q8_0	Confortable
71.5 tok/s 43–114 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Confortable
71.5 tok/s 43–114 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	22.0 GB	Q8_0	Confortable
71.5 tok/s 43–114 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Confortable
71.5 tok/s 43–114 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Confortable
71.5 tok/s 43–114 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Confortable
55.5 tok/s 33–89 · faible confiance	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	12.7 GB	Q4_K_M	À l'étroit
54.5 tok/s 33–87 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Confortable
54.5 tok/s 33–87 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Confortable
52.4 tok/s 31–84 · faible confiance	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q3_K_M	À l'étroit
52.4 tok/s 31–84 · faible confiance	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q3_K_M	À l'étroit
47.2 tok/s 28–75 · faible confiance	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	12.7 GB	Q4_K_M	À l'étroit
45.4 tok/s 27–73 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	22.0 GB	Q8_0	Confortable
44.4 tok/s 27–71 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	22.0 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: Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University
Type d'organisation: Academia,Academia,Academia
Pays: China, Hong Kong
Publié: 13 November 2023
Auteurs: Ziyi Lin, Chris Liu, Renrui Zhang, Peng Gao, Longtian Qiu, Han Xiao, Han Qiu, Chen Lin, Wenqi Shao, Keqin Chen, Jiaming Han, Siyuan Huang, Yichi Zhang, Xuming He, Hongsheng Li, Yu Qiao

Ce qu'il fait

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

Domaine: Vision, Language, Multimodal
Tâche: Visual question answering, Image captioning
Modèle de base: Llama 2-13B
Format numérique: BF16

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: 19.9B
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 × 10²² FLOP
Comment cela a été établi: Hardware
Ajustement fin des calculs: 4 × 10²¹ FLOP

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 A100 SXM4 40 GB
Chips utilisés: 32
Heures de puce: 9,280
Temps en temps réel: 290 hours (12.1 days)
Consommation d'énergie: 25.4 kW
Coût de calcul: $239,189

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: Open (restricted use)
Hugging Face: Alpha-VLLM

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.

Pourquoi c'est suivi: SOTA improvement
Confiance d'enregistrement: Likely

Sources

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

Référence: SPHINX: The Joint Mixing of Weights, Tasks, and Visual Embeddings for Multi-modal Large Language Models
Dernière mise à jour: 11 February 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent SPHINX (Llama 2 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 SPHINX (Llama 2 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

Exigences matérielles en pratique

Carte minimale

Quadro K6000

Mémoire requise

10.4 GB

Le plus rapide

170 tok/s

SPHINX (Llama 2 13B) atteint un nombre de paramètres de 19.9B. 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 : 293.

Le point d'entrée est Quadro K6000, avec une capacité de mémoire de 12 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 14.1 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 170 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

SPHINX (Llama 2 13B) a été publié par Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, dans le pays enregistré comme China, durant November 2023. L'organisation de publication est catégorisée comme academia,Academia,Academia.

Il fonctionne dans le domaine de Vision, Language, Multimodal, et est enregistré comme exécutant la tâche de visual question answering, Image captioning.

Plutôt que d'être entraîné depuis le début, il est dérivé de Llama 2-13B. C'est pourquoi il partage la forme et la taille générales du modèle de base.

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 Alpha-VLLM.

Comprendre les vitesses

Le résultat médian est d'environ 20.7 tokens par seconde. Dépassement direct de la vitesse de lecture. 248 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.

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.

Qu'est-ce qui a été nécessaire pour le construire

La production a nécessité des calculs totalisant environ 3 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 40 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.

Étape par étape

Comment choisir un GPU pour SPHINX (Llama 2 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

Commencez par la colonne mémoire

Chaque carte ici a été vérifiée contre SPHINX (Llama 2 13B), ayant besoin d'environ 10.4 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

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. SPHINX (Llama 2 13B).
03

Définir un seuil de qualité

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., 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

Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour SPHINX (Llama 2 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 170 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de SPHINX (Llama 2 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

Voir ce que cette carte exécute d'autre.

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 SPHINX (Llama 2 13B).

Réponses

SPHINX (Llama 2 13B) — questions courantes

SPHINX (Llama 2 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 Q3_K_M, environ 10.4 GO et générant à peu près 52.4 tokens par seconde. L'ajustement est serré.

SPHINX (Llama 2 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 Q4_K_M, environ 12.7 GO et générant à peu près 55.5 tokens par seconde. L'ajustement est serré.

SPHINX (Llama 2 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 Q6_K, environ 17.4 GO et générant à peu près 41.4 jetons par seconde. L'adéquation est confortable.

SPHINX (Llama 2 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.

SPHINX (Llama 2 13B)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 19.9B. SPHINX + Llama 2 13B SPHINX component involves four vision encoders: - CLIP - ViT - CLIP - ConvNeXt V2 (89M to 659M params, depending on size) - DinoV2 - ViT (22M to 1.14B params, depending on size) - Q-former (188M params) Also involves to projection networks Huggingface Hub model files appear to be 39.8GB. Assuming models are stored in fp16 there are 2 bytes per parameter, so 39.8 / 2 = 19.9B parameters. 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.

SPHINX (Llama 2 13B)— qui l'a créé ?

Il a été publié par Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, basé sur China, une organisation catégorisée comme academia,Academia,Academia.

SPHINX (Llama 2 13B)— quand a-t-il été publié ?

Il a été publié dans November 2023. 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.

SPHINX (Llama 2 13B)— à quoi ça sert ?

Il fonctionne dans le domaine de Vision, Language, Multimodal, et est enregistré comme gérant la tâche de visual question answering, Image captioning. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

SPHINX (Llama 2 13B)— où puis-je le télécharger ?

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

SPHINX (Llama 2 13B)— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 3 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 40 GB. 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.

SPHINX (Llama 2 13B)— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 2.8 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

SPHINX (Llama 2 13B)— 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 : 293. Ainsi, une seconde carte est rarement la réponse ici.

SPHINX (Llama 2 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 : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

SPHINX (Llama 2 13B)— 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 : 102–272 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.

SPHINX (Llama 2 13B)— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Quadro K6000, avec une capacité de mémoire de 12 GB. Il exécute le modèle à une compression de Q3_K_M environ 10.4 GB, et produit environ 14.1 tous les GPU capables de l'exécuter en total 293.

SPHINX (Llama 2 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 170 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 : 248.

SPHINX (Llama 2 13B)— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 10.4 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.

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