Selfish-RNN (SNT-ASGD) Stacked LSTMs calculateur TPS

Ouvrir les poids Eindhoven University of Technology,University of Twente 25.2M paramètres January 2021

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 · 1,463 tok/s

Carte la plus rapide

B200

134,454 tok/s · 180 GB

Quelles GPU peuvent exécuter Selfish-RNN (SNT-ASGD) Stacked LSTMs?

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
134,454 tok/s 80,672–215,126 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Confortable
134,454 tok/s 80,672–215,126 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Confortable
107,365 tok/s 64,419–171,784 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Confortable
107,365 tok/s 64,419–171,784 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Confortable
85,866 tok/s 51,519–137,385 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
82,185 tok/s 49,311–131,496 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Confortable
82,185 tok/s 49,311–131,496 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Confortable
78,655 tok/s 47,193–125,849 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Confortable
69,807 tok/s 41,884–111,691 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
69,807 tok/s 41,884–111,691 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
69,807 tok/s 41,884–111,691 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
66,218 tok/s 39,731–105,950 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
42,998 tok/s 25,799–68,797 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Confortable
42,998 tok/s 25,799–68,797 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Confortable
35,832 tok/s 21,499–57,331 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
35,067 tok/s 21,040–56,108 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
34,286 tok/s 20,571–54,857 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Confortable
34,286 tok/s 20,571–54,857 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Confortable
34,286 tok/s 20,571–54,857 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Confortable
34,286 tok/s 20,571–54,857 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Eindhoven University of Technology,University of Twente
Type d'organisation: Academia,Academia
Pays: Netherlands
Publié: 22 January 2021
Auteurs: Shiwei Liu, Decebal Constantin Mocanu, Yulong Pei, Mykola Pechenizkiy

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

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: 25.2M
Données d'entraînement: 912,344 tokens
Époques: 100

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: 1.2 × 10¹⁶ FLOP
Comment cela a été établi: Reported,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 (non-commercial)
Code d'entraînement: Open (non-commercial)

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: 43
Données de référence: Selfish-RNN (SNT-ASGD) Stacked LSTMs

Sources

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

Référence: Selfish Sparse RNN Training
Dernière mise à jour: 11 February 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 C1080

Mémoire requise

0.7 GB

Le plus rapide

134,454 tok/s

Selfish-RNN (SNT-ASGD) Stacked LSTMs atteint un nombre de paramètres de 25.2M. 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.

La plus petite carte qui le contient est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 1,463 tokens par seconde

Haut de gamme est B200, générant à peu près 134,454 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

Selfish-RNN (SNT-ASGD) Stacked LSTMs a été publié par Eindhoven University of Technology,University of Twente, dans le pays enregistré comme Netherlands, durant January 2021. Cela provient d'une organisation classée comme academia,Academia.

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

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.

Comprendre les vitesses

La moitié des cartes qui le détiennent gèrent plus de 3,775.5 tokens par seconde. Dépassement direct de la vitesse de lecture. 818 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.

Comment il a été entraîné

La production a nécessité des calculs totalisant environ 1.2 × 10¹⁶ 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 912,344 jetons de texte

Étape par étape

Comment choisir un GPU pour Selfish-RNN (SNT-ASGD) Stacked LSTMs

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

La table répertorie chaque carte capable de supporter Selfish-RNN (SNT-ASGD) Stacked LSTMs, ayant besoin d'environ 0.7 GB à une compression de Q8_0. La capacité est la porte — une carte soit la détient soit ne la détient pas.
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. Selfish-RNN (SNT-ASGD) Stacked LSTMs.
03

Décidez combien de compression vous allez accepter

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 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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 134,454 tok/s
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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 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 Selfish-RNN (SNT-ASGD) Stacked LSTMs.

Réponses

Selfish-RNN (SNT-ASGD) Stacked LSTMs — questions courantes

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB, et produit environ 1,463 tous les GPU capables de l'exécuter en total 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 134,454 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 : 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.7 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GO et générant à peu près 25,042 jetons par seconde. L'adéquation est confortable.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GO et générant à peu près 15,334 jetons par seconde. L'adéquation est confortable.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GO et générant à peu près 18,992 jetons par seconde. L'adéquation est confortable.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GO et générant à peu près 22,521 jetons par seconde. L'adéquation est confortable.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 25.2M. 25.2M (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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— qui l'a créé ?

Il a été publié par Eindhoven University of Technology,University of Twente, basé sur Netherlands, une organisation catégorisée comme academia,Academia.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— quand a-t-il été publié ?

Il a été publié dans January 2021. 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— à quoi ça sert ?

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

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 1.2 × 10¹⁶ 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 : 818. Ainsi, une seconde carte est rarement la réponse ici.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 : 80,672–215,126 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.

Source

Publication originale

Dernière mise à jour enregistrée 11 February 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