ChatGLM3-6B calculateur TPS

Ouvrir les poids Z.ai (Zhipu AI) 6B paramètres October 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 · Q4_K_M · 28.8 tok/s

Carte la plus rapide

B200

565 tok/s · 180 GB

Quelles GPU peuvent exécuter ChatGLM3-6B?

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
565 tok/s 339–904 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	7.1 GB	Q8_0	Confortable
565 tok/s 339–904 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	7.1 GB	Q8_0	Confortable
451 tok/s 271–721 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	7.1 GB	Q8_0	Confortable
451 tok/s 271–721 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	7.1 GB	Q8_0	Confortable
361 tok/s 216–577 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	7.1 GB	Q8_0	Confortable
345 tok/s 207–552 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.1 GB	Q8_0	Confortable
345 tok/s 207–552 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.1 GB	Q8_0	Confortable
330 tok/s 198–529 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	7.1 GB	Q8_0	Confortable
293 tok/s 176–469 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	7.1 GB	Q8_0	Confortable
293 tok/s 176–469 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	7.1 GB	Q8_0	Confortable
293 tok/s 176–469 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	7.1 GB	Q8_0	Confortable
278 tok/s 167–445 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	7.1 GB	Q8_0	Confortable
237 tok/s 142–379 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.1 GB	Q8_0	Confortable
237 tok/s 142–379 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	7.1 GB	Q8_0	Confortable
237 tok/s 142–379 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	7.1 GB	Q8_0	Confortable
237 tok/s 142–379 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.1 GB	Q8_0	Confortable
237 tok/s 142–379 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	7.1 GB	Q8_0	Confortable
181 tok/s 108–289 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	7.1 GB	Q8_0	Confortable
181 tok/s 108–289 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	7.1 GB	Q8_0	Confortable
150 tok/s 90–241 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	7.1 GB	Q8_0	Confortable
147 tok/s 88–236 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	7.1 GB	Q8_0	Confortable
144 tok/s 86–230 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	7.1 GB	Q8_0	Confortable
144 tok/s 86–230 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	7.1 GB	Q8_0	Confortable
144 tok/s 86–230 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	7.1 GB	Q8_0	Confortable
144 tok/s 86–230 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	7.1 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: Z.ai (Zhipu AI)
Type d'organisation: Industry
Pays: China
Publié: 27 October 2023
Auteurs: Aohan Zeng, Bin Xu, Bowen Wang, Chenhui Zhang, Da Yin, Diego Rojas, Guanyu Feng, Hanlin Zhao, Hanyu Lai, Hao Yu, Hongning Wang, Jiadai Sun, Jiajie Zhang, Jiale Cheng, Jiayi Gui, Jie Tang, Jing Zhang, Juanzi Li, Lei Zhao, Lindong Wu, Lucen Zhong, Mingdao Liu, Minlie Huang, Peng Zhang, Qinkai Zheng, Rui Lu, Shuaiqi Duan, Shudan Zhang, Shulin Cao, Shuxun Yang, Weng Lam Tam, Wenyi Zhao, Xiao Liu, Xiao…

Ce qu'il fait

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

Domaine: Multimodal, Language, Vision
Tâche: Chat, Visual question answering, Code 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: 6B
Données d'entraînement: 1,400,000,000,000 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: 5 × 10²² FLOP
Comment cela a été établi: Operation counting

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

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.

Modèle de fondation: Yes
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: Zhipu AI launches third-generation base model
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent ChatGLM3-6B

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 ChatGLM3-6B

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 qu'il faut pour exécuter ce modèle

Carte minimale

Tesla K20c

Mémoire requise

4.3 GB

Le plus rapide

565 tok/s

ChatGLM3-6B atteint un nombre de paramètres de 6B. 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.

La plus petite carte qui le contient est Tesla K20c, avec une capacité de mémoire de 5 GB, le faisant fonctionner à une compression de Q4_K_M et produisant environ 28.8 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 565 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

ChatGLM3-6B a été publié par Z.ai (Zhipu AI), dans le pays enregistré comme China, durant October 2023. La catégorie à laquelle appartient l'éditeur est industry.

Il fonctionne dans le domaine de Multimodal, Language, Vision, et est enregistré comme exécutant la tâche de chat, Visual question answering, Code generation.

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.

Lire les chiffres de débit

Le résultat médian est d'environ 25.4 tokens par seconde 539 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.

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

L'entraînement a consommé environ 5 × 10²² FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

L'ensemble d'entraînement a duré environ 1,400,000,000,000 jetons de texte

Son critère d'inclusion : sOTA improvement.

Étape par étape

Comment choisir un GPU pour ChatGLM3-6B

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

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de ChatGLM3-6B, ayant besoin d'environ 4.3 GB à une compression de Q4_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.

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 ChatGLM3-6B.
03

Choisissez jusqu'où vous allez le compresser

La Compression est ce qui permet à un modèle de s'adapter à des cartes plus petites, au prix d'une certaine précision., 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

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 ChatGLM3-6B. 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 565 tok/s
05

Lisez la colonne de compatibilité en dernier.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de ChatGLM3-6B. 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 ChatGLM3-6B.

Réponses

ChatGLM3-6B — questions courantes

ChatGLM3-6B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5 × 10²² 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.

ChatGLM3-6B— 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 0.7 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

ChatGLM3-6B— 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 : 589. Ainsi, une seconde carte est rarement la réponse ici.

ChatGLM3-6B— pourquoi la quantification diffère-t-elle entre les cartes ?

Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 3. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

ChatGLM3-6B— 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 : 339–904 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.

ChatGLM3-6B— 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 Q4_K_M environ 4.3 GB, et produit environ 28.8 tous les GPU capables de l'exécuter en total 589.

ChatGLM3-6B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 565 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 : 539.

ChatGLM3-6B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 4.3 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.

ChatGLM3-6B— 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 7.1 GO et générant à peu près 105 tokens par seconde. L'ajustement est serré.

ChatGLM3-6B— 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 7.1 GO et générant à peu près 64.4 jetons par seconde. L'adéquation est confortable.

ChatGLM3-6B— 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 7.1 GO et générant à peu près 79.8 jetons par seconde. L'adéquation est confortable.

ChatGLM3-6B— 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 7.1 GO et générant à peu près 94.6 jetons par seconde. L'adéquation est confortable.

ChatGLM3-6B— 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.

ChatGLM3-6B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 6B. 6B from https://arxiv.org/abs/2406.12793. 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.

ChatGLM3-6B— qui l'a créé ?

Il a été publié par Z.ai (Zhipu AI), basé sur China, une organisation catégorisée comme industry.

ChatGLM3-6B— quand a-t-il été publié ?

Il a été publié dans October 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.

ChatGLM3-6B— à quoi ça sert ?

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

ChatGLM3-6B— où puis-je le télécharger ?

Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.

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