YaRN (Llama 2 13B) calculateur TPS

Ouvrir les poids Nous Research,EleutherAI,University of Geneva 13B 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

241 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Xeon Phi 7120P

16 GB · Q4_K_M · 17.2 tok/s

Carte la plus rapide

B200

261 tok/s · 180 GB

Quelles GPU peuvent exécuter YaRN (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.

241 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	20.1 GB	Q8_0	Confortable
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	20.1 GB	Q8_0	Confortable
208 tok/s 125–333 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Confortable
208 tok/s 125–333 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Confortable
166 tok/s 100–266 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	20.1 GB	Q8_0	Confortable
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Confortable
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Confortable
152 tok/s 91–244 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	20.1 GB	Q8_0	Confortable
135 tok/s 81–217 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Confortable
135 tok/s 81–217 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Confortable
135 tok/s 81–217 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Confortable
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	20.1 GB	Q8_0	Confortable
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Confortable
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	20.1 GB	Q8_0	Confortable
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Confortable
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Confortable
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Confortable
85.0 tok/s 72–102	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.0 GB	Q4_K_M	À l'étroit
83.4 tok/s 50–133 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Confortable
83.4 tok/s 50–133 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Confortable
72.2 tok/s 61–87	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.0 GB	Q4_K_M	À l'étroit
69.5 tok/s 42–111 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	20.1 GB	Q8_0	Confortable
68.0 tok/s 41–109 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	20.1 GB	Q8_0	Confortable
67.5 tok/s 57–81	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	14.0 GB	Q4_K_M	À l'étroit
67.5 tok/s 57–81	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	14.0 GB	Q4_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: Nous Research,EleutherAI,University of Geneva
Type d'organisation: Industry,Research collective,Academia
Pays: United States of America, Switzerland
Publié: 1 November 2023
Auteurs: Bowen Peng, Jeffrey Quesnelle, Honglu Fan, Enrico Shippole

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, Question answering
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: 13B
Données d'entraînement: 2,457,600,000 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: 1.9 × 10²⁰ FLOP
Comment cela a été établi: Operation counting
Ajustement fin des calculs: 1.9 × 10²⁰ 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: Open source
Hugging Face: NousResearch

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: YaRN: Efficient Context Window Extension of Large Language Models
Dernière mise à jour: 11 February 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent YaRN (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 YaRN (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

Ce dont vous avez besoin pour l'exécuter

Carte minimale

Xeon Phi 7120P

Mémoire requise

14.0 GB

Le plus rapide

261 tok/s

YaRN (Llama 2 13B) atteint un nombre de paramètres de 13B. 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 : 241.

Le matériel minimum qui fonctionne est Xeon Phi 7120P, avec une capacité de mémoire de 16 GB, le faisant fonctionner à une compression de Q4_K_M et produisant environ 17.2 tokens par seconde

À l'autre extrémité se trouve B200, générant à peu près 261 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

YaRN (Llama 2 13B) a été publié par Nous Research,EleutherAI,University of Geneva, dans le pays enregistré comme United States of America, durant November 2023. L'organisation de publication est catégorisée comme industry,Research collective,Academia.

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

Son point de départ était un modèle de base existant, Llama 2-13B. C'est la façon habituelle de produire un modèle spécialisé.

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 NousResearch.

Qu'est-ce qui détermine la vitesse

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 30.0 tokens par seconde 220 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.

Son agencement d'attention est dans notre base de données, donc les chiffres de mémoire sont calculés exactement plutôt qu'approximés.

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

La production a nécessité des calculs totalisant environ 1.9 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

L'entraînement a consommé un corpus d'environ 2,457,600,000 jetons de texte

Étape par étape

Comment choisir un GPU pour YaRN (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

Lisez d'abord le chiffre de mémoire

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de YaRN (Llama 2 13B), ayant besoin d'environ 14.0 GB à une compression de Q4_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Décidez combien de temps vos conversations tournent

Les conversations plus longues coûtent de la MÉMOIRE en plus de ce dont les POIDS ont besoin. Déplacez le curseur à votre longueur de travail réelle avant de faire confiance à une ligne pour YaRN (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 Q4_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 YaRN (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 261 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 YaRN (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.

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 YaRN (Llama 2 13B).

Réponses

YaRN (Llama 2 13B) — questions courantes

YaRN (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 Q8_0, environ 20.1 GO et générant à peu près 43.7 tokens par seconde. L'ajustement est serré.

YaRN (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.

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

Il a un nombre de paramètres de 13B. same as base model. 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.

YaRN (Llama 2 13B)— qui l'a créé ?

Il a été publié par Nous Research,EleutherAI,University of Geneva, basé sur United States of America, une organisation catégorisée comme industry,Research collective,Academia.

YaRN (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.

YaRN (Llama 2 13B)— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Question answering. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

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

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

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

L'entraînement a consommé environ 1.9 × 10²⁰ 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.

YaRN (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 3.2 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

YaRN (Llama 2 13B)— 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 : 241. Ainsi, une seconde carte est rarement la réponse ici.

YaRN (Llama 2 13B)— 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 : 3. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

YaRN (Llama 2 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 : 222–313 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.

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

La plus petite CARTE de notre catalogue qui le supporte est Xeon Phi 7120P, avec une capacité de mémoire de 16 GB. Il exécute le modèle à une compression de Q4_K_M environ 14.0 GB, et produit environ 17.2 tous les GPU capables de l'exécuter en total 241.

YaRN (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 261 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 : 220.

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

Cela nécessite environ 14.0 GB à une compression de Q4_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.

YaRN (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 14.0 GO et générant à peu près 85.0 tokens par seconde. L'ajustement est serré.

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