Nemotron-H 56B calculateur TPS

Ouvrir les poids NVIDIA 56B 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

92 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

FirePro S9170

32 GB · Q3_K_M · 5.1 tok/s

Carte la plus rapide

B200

60.5 tok/s · 180 GB

Quelles GPU peuvent exécuter Nemotron-H 56B?

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.

92 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
60.5 tok/s 36–97 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	60.7 GB	Q8_0	Confortable
60.5 tok/s 36–97 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	60.7 GB	Q8_0	Confortable
48.3 tok/s 29–77 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	60.7 GB	Q8_0	Confortable
48.3 tok/s 29–77 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	60.7 GB	Q8_0	Confortable
38.6 tok/s 23–62 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	60.7 GB	Q8_0	Confortable
38.2 tok/s 23–61 · faible confiance	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.1 GB	Q3_K_M	À l'étroit
38.2 tok/s 23–61 · faible confiance	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.1 GB	Q3_K_M	À l'étroit
37.0 tok/s 22–59 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	60.7 GB	Q8_0	Confortable
37.0 tok/s 22–59 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	60.7 GB	Q8_0	Confortable
36.5 tok/s 22–58 · faible confiance	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.1 GB	Q3_K_M	À l'étroit
36.5 tok/s 22–58 · faible confiance	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.1 GB	Q3_K_M	À l'étroit
35.4 tok/s 21–57 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	60.7 GB	Q8_0	Confortable
31.4 tok/s 19–50 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	60.7 GB	Q8_0	Confortable
31.4 tok/s 19–50 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	60.7 GB	Q8_0	Confortable
31.4 tok/s 19–50 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	60.7 GB	Q8_0	Confortable
29.8 tok/s 18–48 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	60.7 GB	Q8_0	Confortable
27.2 tok/s 16–44 · faible confiance	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.6 GB	Q4_K_M	À l'étroit
27.2 tok/s 16–44 · faible confiance	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.6 GB	Q4_K_M	À l'étroit
27.2 tok/s 16–44 · faible confiance	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.6 GB	Q4_K_M	À l'étroit
25.4 tok/s 15–41 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	60.7 GB	Q8_0	Confortable
25.4 tok/s 15–41 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	60.7 GB	Q8_0	À l'étroit
25.4 tok/s 15–41 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	60.7 GB	Q8_0	Confortable
25.4 tok/s 15–41 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	60.7 GB	Q8_0	Confortable
25.4 tok/s 15–41 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	60.7 GB	Q8_0	À l'étroit
25.3 tok/s 15–40 · faible confiance	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.1 GB	Q5_K_M	À l'étroit

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: NVIDIA
Type d'organisation: Industry
Pays: United States of America
Publié: 14 April 2025
Auteurs: NVIDIA: Aaron Blakeman, Aarti Basant, Abhinav Khattar, Adithya Renduchintala, Akhiad Bercovich, Aleksander Ficek, Alexis Bjorlin, Ali Taghibakhshi, Amala Sanjay Deshmukh, Ameya Sunil Mahabaleshwarkar, Andrew Tao, Anna Shors, Ashwath Aithal, Ashwin Poojary, Ayush Dattagupta, Balaram Buddharaju, Bobby Chen, Boris Ginsburg, Boxin Wang, Brandon Norick, Brian Butterfield, Bryan Catanzaro, Carlo del Mun…

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, Question answering, Translation, Quantitative reasoning, Code generation
Format numérique: FP8

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: 56B
Données d'entraînement: tokens
Époques: 1
Taille de lot: 6,291,456

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: 6.7 × 10²⁴ FLOP
Comment cela a été établi: Operation counting

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 H100 SXM5 80GB
Chips utilisés: 6,144
Consommation d'énergie: 8.4 MW

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
Hugging Face: nvidia

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.

Probablement au-dessus de 10²³ FLOP: Yes
Confiance d'enregistrement: Confident

Sources

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

Référence: Nemotron-H: A Family of Accurate and Efficient Hybrid Mamba-Transformer Models
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Nemotron-H 56B

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 Nemotron-H 56B

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

FirePro S9170

Mémoire requise

28.1 GB

Le plus rapide

60.5 tok/s

Nemotron-H 56B atteint un nombre de paramètres de 56B. Cela se situe dans la gamme qu'une carte de bureau sérieuse peut gérer une fois les poids compressés. Le nombre de cartes que nous suivons qui peuvent l'exécuter : 92.

À l'extrémité inférieure, cela est géré par FirePro S9170, avec une capacité de mémoire de 32 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 5.1 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 60.5 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

Nemotron-H 56B a été publié par NVIDIA, dans le pays enregistré comme United States of America, durant April 2025. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Question answering, Translation, Quantitative reasoning, Code generation.

Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé. Sur Hugging Face, il est publié sous l'organisation nvidia.

Lire les chiffres de débit

La moitié des cartes qui le détiennent gèrent plus de 15.4 tokens par seconde 72 d'eux

Chaque poids participe à chaque jeton ici, donc la bande passante est toute l'histoire : le classement ci-dessous est effectivement un classement du débit de 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

La production a nécessité des calculs totalisant environ 6.7 × 10²⁴ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Étape par étape

Comment choisir un GPU pour Nemotron-H 56B

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 Nemotron-H 56B, ayant besoin d'environ 28.1 GB à une compression de Q3_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Décidez combien de temps vos conversations tournent

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 Nemotron-H 56B.
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 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 Nemotron-H 56B. 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 60.5 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de Nemotron-H 56B. 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 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 Nemotron-H 56B.

Réponses

Nemotron-H 56B — questions courantes

Nemotron-H 56B— 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. La plus proche approximation que nous calculons est inférieure de 9.4 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Nemotron-H 56B— 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 : 92. Ainsi, une seconde carte est rarement la réponse ici.

Nemotron-H 56B— 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 : 5. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Nemotron-H 56B— 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 : 36–97 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.

Nemotron-H 56B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est FirePro S9170, avec une capacité de mémoire de 32 GB. Il exécute le modèle à une compression de Q3_K_M environ 28.1 GB, et produit environ 5.1 tous les GPU capables de l'exécuter en total 92.

Nemotron-H 56B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 60.5 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 : 72.

Nemotron-H 56B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 28.1 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.

Nemotron-H 56B— 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.

Nemotron-H 56B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 56B. Model Architecture Architecture Type: Hybrid Mamba-Transformer Network Architecture: Nemotron-H This model has 56B model parameters. 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.

Nemotron-H 56B— qui l'a créé ?

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

Nemotron-H 56B— quand a-t-il été publié ?

Il a été publié dans April 2025.

Nemotron-H 56B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Question answering, Translation, Quantitative reasoning, Code generation. 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.

Nemotron-H 56B— où puis-je le télécharger ?

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

Nemotron-H 56B— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 6.7 × 10²⁴ FLOP, sur matériel enregistré comme NVIDIA H100 SXM5 80GB. 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.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

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