ResNeXt-101 Billion-scale calculateur TPS

Ouvrir les poids Facebook AI 193M paramètres May 2019

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 · 191 tok/s

Carte la plus rapide

B200

17,556 tok/s · 180 GB

Quelles GPU peuvent exécuter ResNeXt-101 Billion-scale?

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
17,556 tok/s 10,533–28,089 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.9 GB	Q8_0	Confortable
17,556 tok/s 10,533–28,089 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.9 GB	Q8_0	Confortable
14,019 tok/s 8,411–22,430 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Confortable
14,019 tok/s 8,411–22,430 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Confortable
11,211 tok/s 6,727–17,938 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.9 GB	Q8_0	Confortable
10,731 tok/s 6,439–17,169 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Confortable
10,731 tok/s 6,439–17,169 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Confortable
10,270 tok/s 6,162–16,432 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.9 GB	Q8_0	Confortable
9,115 tok/s 5,469–14,583 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Confortable
9,115 tok/s 5,469–14,583 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Confortable
9,115 tok/s 5,469–14,583 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Confortable
8,646 tok/s 5,188–13,834 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.9 GB	Q8_0	Confortable
7,373 tok/s 4,424–11,797 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Confortable
7,373 tok/s 4,424–11,797 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.9 GB	Q8_0	Confortable
7,373 tok/s 4,424–11,797 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Confortable
7,373 tok/s 4,424–11,797 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Confortable
7,373 tok/s 4,424–11,797 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Confortable
5,614 tok/s 3,369–8,983 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Confortable
5,614 tok/s 3,369–8,983 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Confortable
4,679 tok/s 2,807–7,486 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.9 GB	Q8_0	Confortable
4,579 tok/s 2,747–7,326 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.9 GB	Q8_0	Confortable
4,477 tok/s 2,686–7,163 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.9 GB	Q8_0	Confortable
4,477 tok/s 2,686–7,163 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.9 GB	Q8_0	Confortable
4,477 tok/s 2,686–7,163 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.9 GB	Q8_0	Confortable
4,477 tok/s 2,686–7,163 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.9 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: Facebook AI
Type d'organisation: Industry
Pays: United States of America
Publié: 2 May 2019
Auteurs: I. Zeki Yalniz, Hervé Jégou, Kan Chen, Manohar Paluri, Dhruv Mahajan

Ce qu'il fait

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

Domaine: Vision
Tâche: Image classification

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: 193M
Données d'entraînement: 90,000,000 tokens

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.

Pourquoi c'est suivi: SOTA improvement
Citations: 490

Sources

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

Référence: Billion-scale semi-supervised learning for image classification
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent ResNeXt-101 Billion-scale

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 ResNeXt-101 Billion-scale

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

Tesla C1080

Mémoire requise

0.9 GB

Le plus rapide

17,556 tok/s

ResNeXt-101 Billion-scale atteint un nombre de paramètres de 193M. 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 point d'entrée est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 191 tokens par seconde

Haut de gamme est B200, générant à peu près 17,556 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

ResNeXt-101 Billion-scale a été publié par Facebook AI, dans le pays enregistré comme United States of America, durant May 2019. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.

Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable.

À quelle vitesse cela fonctionne-t-il, et pourquoi

Le résultat médian est d'environ 493.0 tokens par seconde 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.

Entraînement et provenance

L'ensemble d'entraînement a duré environ 90,000,000 jetons de texte

La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.

Étape par étape

Comment choisir un GPU pour ResNeXt-101 Billion-scale

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

Commencez par la colonne mémoire

Chaque carte ici a été vérifiée contre ResNeXt-101 Billion-scale, ayant besoin d'environ 0.9 GB à une compression de Q8_0. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Faites correspondre le contexte à votre utilisation réelle.

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. ResNeXt-101 Billion-scale.
03

Choisissez jusqu'où vous allez le compresser

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

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 ResNeXt-101 Billion-scale. 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 17,556 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de ResNeXt-101 Billion-scale. 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 ResNeXt-101 Billion-scale.

Réponses

ResNeXt-101 Billion-scale — questions courantes

ResNeXt-101 Billion-scale— à quoi ça sert ?

Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. 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.

ResNeXt-101 Billion-scale— 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.

ResNeXt-101 Billion-scale— 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.

ResNeXt-101 Billion-scale— deux GPUs l'exécuteraient-ils plus rapidement ?

Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 818. Ainsi, une seconde carte est rarement la réponse ici.

ResNeXt-101 Billion-scale— 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 : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

ResNeXt-101 Billion-scale— 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 : 10,533–28,089 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.

ResNeXt-101 Billion-scale— 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 0.9 GB, et produit environ 191 tous les GPU capables de l'exécuter en total 818.

ResNeXt-101 Billion-scale— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 17,556 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.

ResNeXt-101 Billion-scale— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.9 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.

ResNeXt-101 Billion-scale— 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 0.9 GO et générant à peu près 3,270 jetons par seconde. L'adéquation est confortable.

ResNeXt-101 Billion-scale— 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 0.9 GO et générant à peu près 2,002 jetons par seconde. L'adéquation est confortable.

ResNeXt-101 Billion-scale— 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 0.9 GO et générant à peu près 2,480 jetons par seconde. L'adéquation est confortable.

ResNeXt-101 Billion-scale— 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 0.9 GO et générant à peu près 2,941 jetons par seconde. L'adéquation est confortable.

ResNeXt-101 Billion-scale— 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.

ResNeXt-101 Billion-scale— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 193M. 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.

ResNeXt-101 Billion-scale— qui l'a créé ?

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

ResNeXt-101 Billion-scale— quand a-t-il été publié ?

Il a été publié dans May 2019. 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.

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