mPLUG-Owl2 calculateur TPS

Ouvrir les poids Alibaba 7.1B 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

589 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Tesla K20c

5 GB · Q3_K_M · 28.4 tok/s

Carte la plus rapide

B200

476 tok/s · 180 GB

Quelles GPU peuvent exécuter mPLUG-Owl2?

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.

589 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
476 tok/s 286–761 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.3 GB	Q8_0	Confortable
476 tok/s 286–761 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.3 GB	Q8_0	Confortable
380 tok/s 228–608 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Confortable
380 tok/s 228–608 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Confortable
304 tok/s 182–486 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.3 GB	Q8_0	Confortable
291 tok/s 175–465 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Confortable
291 tok/s 175–465 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Confortable
278 tok/s 167–445 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.3 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Confortable
247 tok/s 148–395 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Confortable
234 tok/s 141–375 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.3 GB	Q8_0	Confortable
200 tok/s 120–320 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Confortable
200 tok/s 120–320 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.3 GB	Q8_0	Confortable
200 tok/s 120–320 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Confortable
200 tok/s 120–320 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Confortable
200 tok/s 120–320 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Confortable
152 tok/s 91–244 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Confortable
152 tok/s 91–244 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Confortable
129 tok/s 77–206 · faible confiance	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q6_K	À l'étroit
127 tok/s 76–203 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.3 GB	Q8_0	Confortable
124 tok/s 74–199 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.3 GB	Q8_0	Confortable
121 tok/s 73–194 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.3 GB	Q8_0	Confortable
121 tok/s 73–194 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.3 GB	Q8_0	Confortable
121 tok/s 73–194 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.3 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: Alibaba
Type d'organisation: Industry
Pays: China
Publié: 7 November 2023
Auteurs: Qinghao Ye, Haiyang Xu, Jiabo Ye, Ming Yan, Anwen Hu, Haowei Liu, Qi Qian, Ji Zhang, Fei Huang, Jingren Zhou

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, Language modeling/generation
Modèle de base: Llama 2-7B
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: 7.1B
Données d'entraînement: 182,032,793,600 tokens
Époques: 1

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.

Comment cela a été établi: Operation counting
Ajustement fin des calculs: 1.7 × 10¹⁹ 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 (unrestricted)
Code d'entraînement: Open source
Hugging Face: Mizukiluke

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: Speculative

Sources

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

Référence: mPLUG-Owl2: Revolutionizing Multi-modal Large Language Model with Modality Collaboration
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent mPLUG-Owl2

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 mPLUG-Owl2

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

Tesla K20c

Mémoire requise

4.2 GB

Le plus rapide

476 tok/s

mPLUG-Owl2 atteint un nombre de paramètres de 7.1B. 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 : 589.

À l'extrémité inférieure, cela est géré par Tesla K20c, avec une capacité de mémoire de 5 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 28.4 tokens par seconde

Haut de gamme est B200, générant à peu près 476 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

mPLUG-Owl2 a été publié par Alibaba, dans le pays enregistré comme China, durant November 2023. L'organisation de publication est catégorisée comme industry.

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

Son point de départ était un modèle de base existant, Llama 2-7B. C'est la façon habituelle de produire un modèle spécialisé.

Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé. Sur Hugging Face, il est publié sous l'organisation Mizukiluke.

Lire les chiffres de débit

La moitié des cartes qui le détiennent gèrent plus de 25.7 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 559 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.

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

Il a été entraîné sur un corpus d'environ 182,032,793,600 jetons de texte

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

Étape par étape

Comment choisir un GPU pour mPLUG-Owl2

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

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de mPLUG-Owl2, ayant besoin d'environ 4.2 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. mPLUG-Owl2.
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

Comparez les tokens par seconde, pas les spécifications.

La commande de vitesse est effectivement un classement par bande passante mémoire, pour mPLUG-Owl2. 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 476 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de mPLUG-Owl2. 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 mPLUG-Owl2.

Réponses

mPLUG-Owl2 — questions courantes

mPLUG-Owl2— 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 : 589. Ainsi, une seconde carte est rarement la réponse ici.

mPLUG-Owl2— 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 : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

mPLUG-Owl2— 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 : 286–761 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.

mPLUG-Owl2— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Tesla K20c, avec une capacité de mémoire de 5 GB. Il exécute le modèle à une compression de Q3_K_M environ 4.2 GB, et produit environ 28.4 tous les GPU capables de l'exécuter en total 589.

mPLUG-Owl2— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 476 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 : 559.

mPLUG-Owl2— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 4.2 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.

mPLUG-Owl2— 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 Q6_K, environ 6.7 GO et générant à peu près 129 tokens par seconde. L'ajustement est serré.

mPLUG-Owl2— 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 8.3 GO et générant à peu près 54.3 jetons par seconde. L'adéquation est confortable.

mPLUG-Owl2— 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 8.3 GO et générant à peu près 67.2 jetons par seconde. L'adéquation est confortable.

mPLUG-Owl2— 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 8.3 GO et générant à peu près 79.7 jetons par seconde. L'adéquation est confortable.

mPLUG-Owl2— 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.

mPLUG-Owl2— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 7.1B. "As depicted in Figure 2, our model, referred to as mPLUGOwl2, is composed of three main components: a fundamental vision encoder, a visual abstractor, and a language decoder. Specifically, we utilize ViT-L/14 as the vision encoder and LLaMA-2-7B [58] as the language decoder" ViT-L/14 has 123M parameters and Llama 2 7B has 7B 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.

mPLUG-Owl2— qui l'a créé ?

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

mPLUG-Owl2— 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.

mPLUG-Owl2— 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, Language modeling/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.

mPLUG-Owl2— où puis-je le télécharger ?

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

mPLUG-Owl2— 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 1.4 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

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