Llama 2-70B calculateur TPS

Ouvrir les poids Meta AI 70B paramètres July 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

61 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

A100 PCIe 40 GB

40 GB · IQ4_XS · 23.2 tok/s

Carte la plus rapide

B200

48.4 tok/s · 180 GB

Quelles GPU peuvent exécuter Llama 2-70B?

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.

61 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
48.4 tok/s 41–58	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	72.5 GB	Q8_0	Confortable
48.4 tok/s 41–58	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	72.5 GB	Q8_0	Confortable
38.7 tok/s 23–62 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	72.5 GB	Q8_0	Confortable
38.7 tok/s 23–62 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	72.5 GB	Q8_0	Confortable
30.9 tok/s 19–49 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	72.5 GB	Q8_0	Confortable
29.6 tok/s 25–36	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	72.5 GB	Q8_0	Confortable
29.6 tok/s 25–36	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	72.5 GB	Q8_0	Confortable
29.5 tok/s 25–35	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	56.2 GB	Q6_K	Confortable
29.5 tok/s 25–35	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	56.2 GB	Q6_K	Confortable
28.3 tok/s 17–45 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	72.5 GB	Q8_0	Confortable
26.1 tok/s 22–31	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	39.9 GB	Q4_K_M	À l'étroit
25.1 tok/s 15–40 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	72.5 GB	Q8_0	Confortable
25.1 tok/s 15–40 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	72.5 GB	Q8_0	Confortable
25.1 tok/s 15–40 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	72.5 GB	Q8_0	Confortable
23.8 tok/s 20–29	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	72.5 GB	Q8_0	À l'étroit
23.2 tok/s 20–28	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	35.8 GB	IQ4_XS	À l'étroit
23.2 tok/s 20–28	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	35.8 GB	IQ4_XS	À l'étroit
23.2 tok/s 20–28	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	35.8 GB	IQ4_XS	À l'étroit
20.3 tok/s 17–24	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	72.5 GB	Q8_0	À l'étroit
20.3 tok/s 17–24	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	72.5 GB	Q8_0	À l'étroit
20.3 tok/s 17–24	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	72.5 GB	Q8_0	À l'étroit
18.7 tok/s 16–22	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	39.9 GB	Q4_K_M	À l'étroit
17.9 tok/s 15–22	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	56.2 GB	Q6_K	Confortable
17.9 tok/s 15–22	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	56.2 GB	Q6_K	Confortable
17.9 tok/s 15–22	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	56.2 GB	Q6_K	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: Meta AI
Type d'organisation: Industry
Pays: United States of America
Publié: 18 July 2023
Auteurs: Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller, Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan,…

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, Language modeling/generation, Question answering
Approche: Supervised

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: 70B
Données d'entraînement: 2,000,000,000,000 tokens
Époques: 1
Taille de lot: 4,000,000

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: 8.1 × 10²³ FLOP
Comment cela a été établi: Hardware,Operation counting

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 80 GB
Chips utilisés: 1,000
Heures de puce: 1,720,320
Temps en temps réel: 1,728 hours (72 days)
Utilisation du matériel: MFU 41.9%
Consommation d'énergie: 795.6 kW
Coût de calcul: $1,102,561
Centre de données: Meta’s Research Super Cluster

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
Hugging Face: meta-llama

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.

Probablement au-dessus de 10²³ FLOP: Yes
Pourquoi c'est suivi: Historical significance,Significant use,Highly cited,Training cost
Confiance d'enregistrement: Confident
Citations: 16,911

Sources

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

Référence: Llama 2: Open Foundation and Fine-Tuned Chat Models
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Llama 2-70B

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 Llama 2-70B

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

A100 PCIe 40 GB

Mémoire requise

35.8 GB

Le plus rapide

48.4 tok/s

Llama 2-70B atteint un nombre de paramètres de 70B. Cela le place au-dessus du matériel grand public, dans la gamme où une carte est achetée à cette fin plutôt que réutilisée pour cela. Le nombre de cartes que nous suivons qui peuvent le supporter : 61.

À l'extrémité inférieure, cela est géré par A100 PCIe 40 GB, avec une capacité de mémoire de 40 GB, le faisant fonctionner à une compression de IQ4_XS et produisant environ 23.2 tokens par seconde

Haut de gamme est B200, générant à peu près 48.4 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

Llama 2-70B a été publié par Meta AI, dans le pays enregistré comme United States of America, durant July 2023. L'organisation de publication est catégorisée comme industry.

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

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 meta-llama.

Lire les chiffres de débit

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 17.1 tokens par seconde. Dépassement direct de la vitesse de lecture. 49 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 8.1 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Il a été entraîné sur un corpus d'environ 2,000,000,000,000 jetons de texte

Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : historical significance,Significant use,Highly cited,Training cost.

Étape par étape

Comment choisir un GPU pour Llama 2-70B

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 Llama 2-70B, ayant besoin d'environ 35.8 GB à une compression de IQ4_XS. La capacité est la porte — une carte soit la détient soit ne la détient pas.
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. Llama 2-70B.
03

Définir un seuil de qualité

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 IQ4_XS 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.

Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour Llama 2-70B. 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 48.4 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de Llama 2-70B. 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 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 Llama 2-70B.

Réponses

Llama 2-70B — questions courantes

Llama 2-70B— 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 : 61. Ainsi, une seconde carte est rarement la réponse ici.

Llama 2-70B— 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 : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Llama 2-70B— 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 : 41–58 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.

Llama 2-70B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est A100 PCIe 40 GB, avec une capacité de mémoire de 40 GB. Il exécute le modèle à une compression de IQ4_XS environ 35.8 GB, et produit environ 23.2 tous les GPU capables de l'exécuter en total 61.

Llama 2-70B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 48.4 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 : 49.

Llama 2-70B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 35.8 GB à une compression de IQ4_XS, 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.

Llama 2-70B— 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.

Llama 2-70B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 70B. Llama has been released in 7B, 13B, 34B, and 70B variants. 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.

Llama 2-70B— qui l'a créé ?

Il a été publié par Meta AI, basé sur United States of America, une organisation catégorisée comme industry.

Llama 2-70B— quand a-t-il été publié ?

Il a été publié dans July 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.

Llama 2-70B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling, Language modeling/generation, Question answering. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Llama 2-70B— où puis-je le télécharger ?

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

Llama 2-70B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 8.1 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 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.

Llama 2-70B— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Seulement en déchargeant, ce qui est généralement une fausse économie : la partie maintenue en mémoire système tire l'ensemble vers le bas. La plus proche approximation que nous calculons est inférieure de 11.1 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Source

Publication originale

Dernière mise à jour enregistrée 25 May 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