MamayLM calculateur TPS

Ouvrir les poids INSAIT,ETH Zurich 9B paramètres April 2025

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

582 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Quadro 6000

6 GB · Q3_K_M · 15.5 tok/s

Carte la plus rapide

B200

376 tok/s · 180 GB

Quelles GPU peuvent exécuter MamayLM?

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.

582 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
376 tok/s 226–602 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	10.3 GB	Q8_0	Confortable
376 tok/s 226–602 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	10.3 GB	Q8_0	Confortable
301 tok/s 180–481 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	10.3 GB	Q8_0	Confortable
301 tok/s 180–481 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	10.3 GB	Q8_0	Confortable
240 tok/s 144–385 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	10.3 GB	Q8_0	Confortable
230 tok/s 138–368 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.3 GB	Q8_0	Confortable
230 tok/s 138–368 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.3 GB	Q8_0	Confortable
220 tok/s 132–352 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	10.3 GB	Q8_0	Confortable
195 tok/s 117–313 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	10.3 GB	Q8_0	Confortable
195 tok/s 117–313 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	10.3 GB	Q8_0	Confortable
195 tok/s 117–313 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	10.3 GB	Q8_0	Confortable
185 tok/s 111–297 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	10.3 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.3 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	10.3 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	10.3 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.3 GB	Q8_0	Confortable
158 tok/s 95–253 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	10.3 GB	Q8_0	Confortable
125 tok/s 75–200 · faible confiance	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.2 GB	Q5_K_M	À l'étroit
120 tok/s 72–193 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	10.3 GB	Q8_0	Confortable
120 tok/s 72–193 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	10.3 GB	Q8_0	Confortable
107 tok/s 64–171 · faible confiance	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.2 GB	Q6_K	À l'étroit
100 tok/s 60–161 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	10.3 GB	Q8_0	Confortable
98.2 tok/s 59–157 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	10.3 GB	Q8_0	Confortable
96.0 tok/s 58–154 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	10.3 GB	Q8_0	Confortable
96.0 tok/s 58–154 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	10.3 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: INSAIT,ETH Zurich
Type d'organisation: Academia,Academia
Pays: Bulgaria, Switzerland
Publié: 23 April 2025
Auteurs: Anton Alexandrov, Hannah Yukhymenko, Martin Vechev

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/generation, Language generation

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: 9B
Données d'entraînement: 8,075,000,000,000 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: 4.4 × 10²³ FLOP

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.

Confiance d'enregistrement: Likely

Sources

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

Référence: INSAIT introduces MamayLM-Gemma-2-9B-IT-v0.1, the best performing Ukrainian language model based on google/gemma-2-9b and google/gemma-2-9b-it.
Dernière mise à jour: 8 April 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent MamayLM

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 MamayLM

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

Quadro 6000

Mémoire requise

5.1 GB

Le plus rapide

376 tok/s

MamayLM atteint un nombre de paramètres de 9B. 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 : 582.

À l'extrémité inférieure, cela est géré par Quadro 6000, avec une capacité de mémoire de 6 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 15.5 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 376 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

MamayLM a été publié par INSAIT,ETH Zurich, dans le pays enregistré comme Bulgaria, durant April 2025. 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/generation, Language 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.

Qu'est-ce qui détermine la vitesse

Au milieu de la gamme, toutes les cartes capables de l'exécuter se situent à 21.1 tokens par seconde 541 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.

Entraînement et provenance

La production a nécessité des calculs totalisant environ 4.4 × 10²³ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Il a été entraîné sur un corpus d'environ 8,075,000,000,000 jetons de texte

Étape par étape

Comment choisir un GPU pour MamayLM

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 MamayLM, ayant besoin d'environ 5.1 GB à une compression de Q3_K_M. 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.

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. MamayLM.
03

Décidez combien de compression vous allez accepter

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., 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

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour MamayLM. 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 376 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de MamayLM. 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 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 MamayLM.

Réponses

MamayLM — questions courantes

MamayLM— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 376 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 : 541.

MamayLM— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 5.1 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.

MamayLM— 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 Q5_K_M, environ 7.2 GO et générant à peu près 125 tokens par seconde. L'ajustement est serré.

MamayLM— 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 10.3 GO et générant à peu près 42.9 tokens par seconde. L'ajustement est serré.

MamayLM— 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 10.3 GO et générant à peu près 53.2 jetons par seconde. L'adéquation est confortable.

MamayLM— 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 10.3 GO et générant à peu près 63.1 jetons par seconde. L'adéquation est confortable.

MamayLM— 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.

MamayLM— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 9B. 9B. 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.

MamayLM— qui l'a créé ?

Il a été publié par INSAIT,ETH Zurich, basé sur Bulgaria, une organisation catégorisée comme academia,Academia.

MamayLM— quand a-t-il été publié ?

Il a été publié dans April 2025.

MamayLM— à quoi ça sert ?

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

MamayLM— 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.

MamayLM— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 4.4 × 10²³ 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.

MamayLM— 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 1.6 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

MamayLM— 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 : 582. Ainsi, une seconde carte est rarement la réponse ici.

MamayLM— 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 : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

MamayLM— 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 : 226–602 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.

MamayLM— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Quadro 6000, avec une capacité de mémoire de 6 GB. Il exécute le modèle à une compression de Q3_K_M environ 5.1 GB, et produit environ 15.5 tous les GPU capables de l'exécuter en total 582.

Source

Publication originale

Dernière mise à jour enregistrée 8 April 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