LLaMA-65B calculateur TPS

Ouvrir les poids Meta AI 65.2B paramètres February 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 · Q3_K_M · 27.3 tok/s

Carte la plus rapide

B200

52.0 tok/s · 180 GB

Quelles GPU peuvent exécuter LLaMA-65B?

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
52.0 tok/s 44–62	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	71.4 GB	Q8_0	Confortable
52.0 tok/s 44–62	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	71.4 GB	Q8_0	Confortable
41.5 tok/s 25–66 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	71.4 GB	Q8_0	Confortable
41.5 tok/s 25–66 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	71.4 GB	Q8_0	Confortable
33.2 tok/s 20–53 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	71.4 GB	Q8_0	Confortable
31.8 tok/s 27–38	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	71.4 GB	Q8_0	Confortable
31.8 tok/s 27–38	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	71.4 GB	Q8_0	Confortable
30.4 tok/s 18–49 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	71.4 GB	Q8_0	Confortable
28.0 tok/s 24–34	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.1 GB	Q4_K_M	À l'étroit
27.3 tok/s 23–33	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.5 GB	Q3_K_M	À l'étroit
27.3 tok/s 23–33	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.5 GB	Q3_K_M	À l'étroit
27.3 tok/s 23–33	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.5 GB	Q3_K_M	À l'étroit
27.0 tok/s 16–43 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Confortable
27.0 tok/s 16–43 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Confortable
27.0 tok/s 16–43 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	71.4 GB	Q8_0	Confortable
25.6 tok/s 22–31	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	71.4 GB	Q8_0	À l'étroit
21.8 tok/s 19–26	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	Confortable
21.8 tok/s 19–26	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	71.4 GB	Q8_0	À l'étroit
21.8 tok/s 19–26	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	À l'étroit
21.8 tok/s 19–26	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	Confortable
21.8 tok/s 19–26	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	71.4 GB	Q8_0	À l'étroit
20.1 tok/s 17–24	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	41.1 GB	Q4_K_M	À l'étroit
19.1 tok/s 16–23	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	56.3 GB	Q6_K	À l'étroit
16.6 tok/s 10–27 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	71.4 GB	Q8_0	Confortable
16.6 tok/s 10–27 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	71.4 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: Meta AI
Type d'organisation: Industry
Pays: United States of America
Publié: 24 February 2023
Auteurs: Hugo Touvron, Thibaut Lavril, Gautier Izacard, Xavier Martinet, Marie-Anne Lachaux, Timothée Lacroix, Baptiste Rozière, Naman Goyal, Eric Hambro, Faisal Azhar, Aurelien Rodriguez, Armand Joulin, Edouard Grave, Guillaume Lample

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, Code generation
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: 65.2B
Données d'entraînement: 1,400,000,000,000 tokens
Époques: 1.09
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: 5.5 × 10²³ FLOP
Comment cela a été établi: 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
Chips utilisés: 2,048
Heures de puce: 1,024,000
Temps en temps réel: 500 hours (20.8 days)
Utilisation du matériel: MFU 47.5%
Consommation d'énergie: 1.6 MW
Coût de calcul: $578,026

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 (non-commercial)
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
Probablement au-dessus de 10²³ FLOP: Yes
Pourquoi c'est suivi: Historical significance,Highly cited
Confiance d'enregistrement: Confident
Citations: 19,926
Données de référence: LLaMA-65B

Sources

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

Référence: LLaMA: Open and Efficient Foundation Language Models
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent LLaMA-65B

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-65B

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

Exigences matérielles en pratique

Carte minimale

A100 PCIe 40 GB

Mémoire requise

33.5 GB

Le plus rapide

52.0 tok/s

LLaMA-65B atteint un nombre de paramètres de 65.2B. 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.

Le point d'entrée est A100 PCIe 40 GB, avec une capacité de mémoire de 40 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 27.3 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 52.0 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

LLaMA-65B a été publié par Meta AI, dans le pays enregistré comme United States of America, durant February 2023. Cela provient d'une organisation classée comme industry.

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

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 détermine la vitesse

Le résultat médian est d'environ 13.3 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 56 d'eux

Étant dense, il lit tout de lui-même par jeton, c'est pourquoi le classement par vitesse ci-dessous suit de si près le classement par bande passante mémoire.

Parce que l'architecture est enregistrée, la colonne de mémoire est dérivée plutôt qu'estimée.

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

L'entraînement a nécessité un budget de calcul d'environ 5.5 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100. 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 1,400,000,000,000 jetons de texte

Son critère d'inclusion : historical significance,Highly cited.

Étape par étape

Comment choisir un GPU pour LLaMA-65B

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

Chaque carte ici a été vérifiée contre LLaMA-65B, ayant besoin d'environ 33.5 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. LLaMA-65B.
03

Choisissez jusqu'où vous allez le compresser

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

Trier par vitesse

Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour LLaMA-65B. 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 52.0 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de LLaMA-65B. 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 LLaMA-65B.

Réponses

LLaMA-65B — questions courantes

LLaMA-65B— 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-65B— pourquoi la quantification diffère-t-elle entre les cartes ?

Parce que la capacité varie, il en va de même pour la difficulté à être comprimé. Le nombre de niveaux distincts dans le tableau ci-dessus : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

LLaMA-65B— 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 : 44–62 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-65B— 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 Q3_K_M environ 33.5 GB, et produit environ 27.3 tous les GPU capables de l'exécuter en total 61.

LLaMA-65B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 52.0 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 : 56.

LLaMA-65B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 33.5 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.

LLaMA-65B— 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-65B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 65.2B. Model card, table 1: https://github.com/facebookresearch/llama/blob/53011c3d7946dadb8274a4c5c7586ab54edf792d/MODEL_CARD.md. 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-65B— qui l'a créé ?

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

LLaMA-65B— quand a-t-il été publié ?

Il a été publié dans February 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-65B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling, Code 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.

LLaMA-65B— 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.

LLaMA-65B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5.5 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100. 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-65B— 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 12.3 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