QMoE: compressed SwitchTransformer calculateur TPS
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 dont nous détenons les spécifications pour
Quelles GPU peuvent exécuter QMoE: compressed SwitchTransformer?
Définir les entrées, lire la réponse
Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..
Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..
0 cartes correspondent
Calcul en cours| Besoin | Quantification | Convient | |||||
|---|---|---|---|---|---|---|---|
|
Aucune carte dans notre catalogue ne peut exécuter ce modèle avec ces paramètres.. |
|||||||
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
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Type d'organisation
- Academia,Industry
- Pays
- Austria, United States of America
- Publié
- 25 October 2023
- Auteurs
- Elias Frantar, Dan Alistarh
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
- Modèle de base
- Switch
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
- 1.6T
- Données d'entraînement
- 576,000,000,000 tokens
"Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data.
In this paper, the authors compress the SwitchTransformer-c2048 model. There is no training dataset used.
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.
- Ajustement fin des calculs
- 1 × 10¹⁸ FLOP
(1) * (38.71 * 10 ** 12) * (0.3) * (24 * 3600) = 1003363200000000000 (num gpu) * (peak flop) * (assumed utilization rate) * (time in seconds) from the paper: "This allows us to apply data-dependent compression to massive MoEs, while preserving the key feature of post-training compression techniques: the ability to perform effective compression using only modest computational resources, e.g., a single NVIDIA A6000 GPU and less than one day of compute." A6000 have 38.71 TFLOPs from https://www.tec…
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 RTX A6000
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
apache 2.0 github.com/IST-DASLab/qmoe
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
- Citations
- 47
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- QMoE: Practical Sub-1-Bit Compression of Trillion-Parameter Models
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Le côté matériel
QMoE: compressed SwitchTransformer atteint un nombre de paramètres de 1.6T. Cela dépasse ce que peut contenir une seule carte graphique. L'exécuter signifie soit le répartir entre plusieurs cartes, soit louer du matériel conçu pour cela, et chaque carte capable de le contenir seule est une pièce de datacenter. Le nombre qui peut : 0.
Contexte
QMoE: compressed SwitchTransformer a été publié par Institute of Science and Technology Austria (ISTA),Neural Magic, dans le pays enregistré comme Austria, durant October 2023. La catégorie à laquelle appartient l'éditeur est academia,Industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Plutôt que d'être entraîné depuis le début, il est dérivé de Switch. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.
Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.
Qu'est-ce qui a été nécessaire pour le construire
Il a été entraîné sur un corpus d'environ 576,000,000,000 jetons de texte
Étape par étape
Comment choisir un GPU pour QMoE: compressed SwitchTransformer
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
La table répertorie chaque carte capable de supporter QMoE: compressed SwitchTransformer. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
-
02
Décidez combien de temps vos conversations tournent
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. QMoE: compressed SwitchTransformer.
-
03
Définir un seuil de qualité
Chaque carte exécute la copie la moins compressée qu'elle peut contenir.. 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
Trier par vitesse
La commande de vitesse est effectivement un classement par bande passante mémoire, pour QMoE: compressed SwitchTransformer. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire.
-
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 QMoE: compressed SwitchTransformer. 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 QMoE: compressed SwitchTransformer.
Réponses
QMoE: compressed SwitchTransformer — questions courantes
QMoE: compressed SwitchTransformer— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
QMoE: compressed SwitchTransformer— 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.
QMoE: compressed SwitchTransformer— Puis-je l'exécuter s'il ne tient pas dans ma GPU?
Il peut être réparti entre la carte et la mémoire système, mais cela génère de manière douloureuse lentement. La plus proche approximation que nous calculons est inférieure de 691.9 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.
QMoE: compressed SwitchTransformer— 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 : 0. Ainsi, une seconde carte est rarement la réponse ici.
QMoE: compressed SwitchTransformer— 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 : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.
QMoE: compressed SwitchTransformer— quelle est la précision de ces estimations de vitesse ?
Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : la plage sous chaque chiffre. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.
QMoE: compressed SwitchTransformer— 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.
QMoE: compressed SwitchTransformer— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1.6T. "Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data. 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.
QMoE: compressed SwitchTransformer— qui l'a créé ?
Il a été publié par Institute of Science and Technology Austria (ISTA),Neural Magic, basé sur Austria, une organisation catégorisée comme academia,Industry.
QMoE: compressed SwitchTransformer— 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.
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.