Stable Diffusion (LDM-KL-8-G) calculateur TPS

Ouvrir les poids Runway,Ludwig Maximilian University of Munich,Heidelberg University 1.5B paramètres April 2022

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 qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Tesla C1080

4 GB · Q8_0 · 25.4 tok/s

Carte la plus rapide

B200

2,337 tok/s · 180 GB

Quelles GPU peuvent exécuter Stable Diffusion (LDM-KL-8-G)?

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.

818 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
2,337 tok/s 1,402–3,739 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.3 GB	Q8_0	Confortable
2,337 tok/s 1,402–3,739 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.3 GB	Q8_0	Confortable
1,866 tok/s 1,120–2,985 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Confortable
1,866 tok/s 1,120–2,985 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Confortable
1,492 tok/s 895–2,388 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.3 GB	Q8_0	Confortable
1,428 tok/s 857–2,285 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Confortable
1,428 tok/s 857–2,285 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Confortable
1,367 tok/s 820–2,187 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.3 GB	Q8_0	Confortable
1,213 tok/s 728–1,941 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Confortable
1,213 tok/s 728–1,941 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Confortable
1,213 tok/s 728–1,941 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Confortable
1,151 tok/s 691–1,841 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.3 GB	Q8_0	Confortable
981 tok/s 589–1,570 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Confortable
981 tok/s 589–1,570 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.3 GB	Q8_0	Confortable
981 tok/s 589–1,570 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Confortable
981 tok/s 589–1,570 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Confortable
981 tok/s 589–1,570 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Confortable
747 tok/s 448–1,196 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Confortable
747 tok/s 448–1,196 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Confortable
623 tok/s 374–996 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.3 GB	Q8_0	Confortable
609 tok/s 366–975 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.3 GB	Q8_0	Confortable
596 tok/s 358–953 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.3 GB	Q8_0	Confortable
596 tok/s 358–953 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.3 GB	Q8_0	Confortable
596 tok/s 358–953 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.3 GB	Q8_0	Confortable
596 tok/s 358–953 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.3 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: Runway,Ludwig Maximilian University of Munich,Heidelberg University
Type d'organisation: Industry,Academia,Academia
Pays: United States of America, Germany
Publié: 13 April 2022
Auteurs: Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer

Ce qu'il fait

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

Domaine: Image generation
Tâche: Image generation, Text-to-image
Approche: Self-supervised learning
Modèle de base: Stable Diffusion 1.2

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: 1.5B
Données d'entraînement: 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: Hardware

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: 256
Heures de puce: 150,000
Temps en temps réel: 586 hours (24.4 days)
Consommation d'énergie: 205.8 kW
Coût de calcul: $111,248

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
Hugging Face: CompVis

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.

Pourquoi c'est suivi: Significant use,Highly cited
Confiance d'enregistrement: Confident
Citations: 24,523

Sources

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

Référence: High-Resolution Image Synthesis with Latent Diffusion Models
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Stable Diffusion (LDM-KL-8-G)

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 Stable Diffusion (LDM-KL-8-G)

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

Tesla C1080

Mémoire requise

2.3 GB

Le plus rapide

2,337 tok/s

Stable Diffusion (LDM-KL-8-G) atteint un nombre de paramètres de 1.5B. 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 : 818.

Le matériel minimum qui fonctionne est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 25.4 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 2,337 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

Stable Diffusion (LDM-KL-8-G) a été publié par Runway,Ludwig Maximilian University of Munich,Heidelberg University, dans le pays enregistré comme United States of America, durant April 2022. L'organisation de publication est catégorisée comme industry,Academia,Academia.

Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de image generation, Text-to-image.

Il s'appuie sur Stable Diffusion 1.2. C'est la façon habituelle de produire un modèle spécialisé.

Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir. Sur Hugging Face, il est publié sous l'organisation CompVis.

Lire les chiffres de débit

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 65.6 tokens par seconde. Dépassement direct de la vitesse de lecture. 796 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.

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

La production a nécessité des calculs totalisant environ 5 × 10²² 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.

Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : significant use,Highly cited.

Étape par étape

Comment choisir un GPU pour Stable Diffusion (LDM-KL-8-G)

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

Chaque carte ici a été vérifiée contre Stable Diffusion (LDM-KL-8-G), ayant besoin d'environ 2.3 GB à une compression de Q8_0. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
02

Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.

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 Stable Diffusion (LDM-KL-8-G).
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 Q8_0 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 Stable Diffusion (LDM-KL-8-G). 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 2,337 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 Stable Diffusion (LDM-KL-8-G). 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.

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 Stable Diffusion (LDM-KL-8-G).

Réponses

Stable Diffusion (LDM-KL-8-G) — questions courantes

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 1.5B. See Table 2. 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.

Stable Diffusion (LDM-KL-8-G)— qui l'a créé ?

Il a été publié par Runway,Ludwig Maximilian University of Munich,Heidelberg University, basé sur United States of America, une organisation catégorisée comme industry,Academia,Academia.

Stable Diffusion (LDM-KL-8-G)— quand a-t-il été publié ?

Il a été publié dans April 2022. 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.

Stable Diffusion (LDM-KL-8-G)— à quoi ça sert ?

Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de image generation, Text-to-image. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Stable Diffusion (LDM-KL-8-G)— où puis-je le télécharger ?

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

Stable Diffusion (LDM-KL-8-G)— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5 × 10²² 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.

Stable Diffusion (LDM-KL-8-G)— 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. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Stable Diffusion (LDM-KL-8-G)— 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 : 818. Ainsi, une seconde carte est rarement la réponse ici.

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— 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 : 1,402–3,739 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.

Stable Diffusion (LDM-KL-8-G)— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Tesla C1080, avec une capacité de mémoire de 4 GB. Il exécute le modèle à une compression de Q8_0 environ 2.3 GB, et produit environ 25.4 tous les GPU capables de l'exécuter en total 818.

Stable Diffusion (LDM-KL-8-G)— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 2,337 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 : 796.

Stable Diffusion (LDM-KL-8-G)— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 2.3 GB à une compression de Q8_0, 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.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GO et générant à peu près 435 jetons par seconde. L'adéquation est confortable.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GO et générant à peu près 267 jetons par seconde. L'adéquation est confortable.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GO et générant à peu près 330 jetons par seconde. L'adéquation est confortable.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GO et générant à peu près 391 jetons par seconde. L'adéquation est confortable.

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