BigGAN-deep 512x512 calculateur TPS

Ouvrir les poids Heriot-Watt University,DeepMind 112.7M paramètres September 2018

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 · 327 tok/s

Carte la plus rapide

B200

30,066 tok/s · 180 GB

Quelles GPU peuvent exécuter BigGAN-deep 512x512?

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
30,066 tok/s 18,039–48,105 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Confortable
30,066 tok/s 18,039–48,105 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Confortable
24,008 tok/s 14,405–38,413 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
24,008 tok/s 14,405–38,413 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
19,201 tok/s 11,520–30,721 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
18,378 tok/s 11,027–29,404 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
18,378 tok/s 11,027–29,404 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
17,588 tok/s 10,553–28,141 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Confortable
15,610 tok/s 9,366–24,975 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
15,610 tok/s 9,366–24,975 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
15,610 tok/s 9,366–24,975 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
14,807 tok/s 8,884–23,692 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
12,628 tok/s 7,577–20,204 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
12,628 tok/s 7,577–20,204 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Confortable
12,628 tok/s 7,577–20,204 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
12,628 tok/s 7,577–20,204 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
12,628 tok/s 7,577–20,204 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
9,615 tok/s 5,769–15,384 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
9,615 tok/s 5,769–15,384 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
8,012 tok/s 4,807–12,820 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
7,841 tok/s 4,705–12,546 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
7,667 tok/s 4,600–12,267 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Confortable
7,667 tok/s 4,600–12,267 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Confortable
7,667 tok/s 4,600–12,267 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Confortable
7,667 tok/s 4,600–12,267 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: Heriot-Watt University,DeepMind
Type d'organisation: Academia,Industry
Pays: United Kingdom of Great Britain and Northern Ireland
Publié: 28 September 2018
Auteurs: Andrew Brock, Jeff Donahue, Karen Simonyan

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
Format numérique: FP32

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: 112.7M
Données d'entraînement: 584,000,000 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: 1.8 × 10²¹ FLOP
Comment cela a été établi: Third-party estimation

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: Google TPU v3
Chips utilisés: 256
Heures de puce: 12,288
Temps en temps réel: 48 hours
Consommation d'énergie: 238.2 kW
Coût de calcul: $5,372

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: 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 Frontier: Yes
Confiance d'enregistrement: Likely
Citations: 6,101

Sources

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

Référence: Large Scale GAN Training for High Fidelity Natural Image Synthesis
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent BigGAN-deep 512x512

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 BigGAN-deep 512x512

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

Tesla C1080

Mémoire requise

0.8 GB

Le plus rapide

30,066 tok/s

BigGAN-deep 512x512 atteint un nombre de paramètres de 112.7M. 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.

À l'extrémité inférieure, cela est géré par Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 327 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 30,066 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

À propos de ce modèle

BigGAN-deep 512x512 a été publié par Heriot-Watt University,DeepMind, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant September 2018. L'organisation de publication est catégorisée comme academia,Industry.

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

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.

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

La moitié des cartes qui le détiennent gèrent plus de 844.2 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.

Son architecture interne n'est pas dans notre base de données, donc la mémoire est approximée à partir du nombre de paramètres et marquée en conséquence. Attendez-vous à ce que la véritable valeur diffère, surtout pour un long CONTEXT LENGTH.

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

La production a nécessité des calculs totalisant environ 1.8 × 10²¹ FLOP, sur matériel enregistré comme Google TPU v3. 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 584,000,000 jetons de texte

Étape par étape

Comment choisir un GPU pour BigGAN-deep 512x512

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 BigGAN-deep 512x512, ayant besoin d'environ 0.8 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.

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 BigGAN-deep 512x512.
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 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

Trier par vitesse pour voir comment les cartes se classent pour BigGAN-deep 512x512. 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 30,066 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de BigGAN-deep 512x512. 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

Voir ce que cette carte exécute d'autre.

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 BigGAN-deep 512x512.

Réponses

BigGAN-deep 512x512 — questions courantes

BigGAN-deep 512x512— 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.

BigGAN-deep 512x512— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 112.7M. I used the publicly available implementation available at [1] There I loaded the biggan-deep512/1 model, and ran script [2] to compute the number of parameters [1] https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/biggan_generation_with_tf_hub.ipynb [2] n_params = 0 for var in module.variables: n_params += np.prod(var.shape.as_list()) pass print(n_params). 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.

BigGAN-deep 512x512— qui l'a créé ?

Il a été publié par Heriot-Watt University,DeepMind, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia,Industry.

BigGAN-deep 512x512— quand a-t-il été publié ?

Il a été publié dans September 2018. 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.

BigGAN-deep 512x512— à quoi ça sert ?

Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de image generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

BigGAN-deep 512x512— 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.

BigGAN-deep 512x512— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 1.8 × 10²¹ FLOP, sur matériel enregistré comme Google TPU v3. 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.

BigGAN-deep 512x512— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

BigGAN-deep 512x512— 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.

BigGAN-deep 512x512— 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.

BigGAN-deep 512x512— 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 : 18,039–48,105 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.

BigGAN-deep 512x512— 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 0.8 GB, et produit environ 327 tous les GPU capables de l'exécuter en total 818.

BigGAN-deep 512x512— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 30,066 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.

BigGAN-deep 512x512— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.8 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.

BigGAN-deep 512x512— 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 0.8 GO et générant à peu près 5,600 jetons par seconde. L'adéquation est confortable.

BigGAN-deep 512x512— 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 0.8 GO et générant à peu près 3,429 jetons par seconde. L'adéquation est confortable.

BigGAN-deep 512x512— 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 0.8 GO et générant à peu près 4,247 jetons par seconde. L'adéquation est confortable.

BigGAN-deep 512x512— 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 0.8 GO et générant à peu près 5,036 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