EXAONE 4.5 calculateur TPS

Ouvrir les poids LG AI Research 33.2B paramètres April 2026

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

132 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

RTX A4500

20 GB · Q3_K_M · 22.0 tok/s

Carte la plus rapide

B200

102 tok/s · 180 GB

Quelles GPU peuvent exécuter EXAONE 4.5?

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.

132 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
102 tok/s 61–163 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	36.2 GB	Q8_0	Confortable
102 tok/s 61–163 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	36.2 GB	Q8_0	Confortable
81.5 tok/s 49–130 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Confortable
81.5 tok/s 49–130 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	36.2 GB	Q8_0	Confortable
65.2 tok/s 39–104 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	36.2 GB	Q8_0	Confortable
62.4 tok/s 37–100 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Confortable
62.4 tok/s 37–100 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	36.2 GB	Q8_0	Confortable
59.7 tok/s 36–96 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	36.2 GB	Q8_0	Confortable
53.0 tok/s 32–85 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Confortable
53.0 tok/s 32–85 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Confortable
53.0 tok/s 32–85 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	36.2 GB	Q8_0	Confortable
50.3 tok/s 30–80 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	36.2 GB	Q8_0	Confortable
42.9 tok/s 26–69 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Confortable
42.9 tok/s 26–69 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	36.2 GB	Q8_0	Confortable
42.9 tok/s 26–69 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Confortable
42.9 tok/s 26–69 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Confortable
42.9 tok/s 26–69 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	36.2 GB	Q8_0	Confortable
39.5 tok/s 24–63 · faible confiance	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.8 GB	Q4_K_M	À l'étroit
35.9 tok/s 22–57 · faible confiance	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.8 GB	Q4_K_M	À l'étroit
34.7 tok/s 21–55 · faible confiance	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	À l'étroit
34.7 tok/s 21–55 · faible confiance	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	28.5 GB	Q6_K	À l'étroit
33.2 tok/s 20–53 · faible confiance	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	À l'étroit
33.2 tok/s 20–53 · faible confiance	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	28.5 GB	Q6_K	À l'étroit
32.6 tok/s 20–52 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	36.2 GB	Q8_0	Confortable
32.6 tok/s 20–52 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	36.2 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: LG AI Research
Type d'organisation: Industry
Pays: Korea (Republic of)
Publié: 9 April 2026
Auteurs: Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Changhun Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Kwangrok Ryoo, Minju Seo, Sejong Yang, Heuiyeen Yeen, Hwan Chang, Stanley Jungkyu Choi, Yejin Choi, Kyubeen Han, Joonwon Jang, Kijeong Jeon, Geun…

Ce qu'il fait

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

Domaine: Language, Multimodal
Tâche: Language modeling/generation, Question answering

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: 33.2B
Données d'entraînement: 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: 3.9 × 10²⁴ 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 (restricted use)

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: Training cost
Confiance d'enregistrement: Confident

Sources

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

Référence: EXAONE 4.5 Technical Report
Dernière mise à jour: 24 June 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent EXAONE 4.5

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 EXAONE 4.5

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

RTX A4500

Mémoire requise

16.9 GB

Le plus rapide

102 tok/s

EXAONE 4.5 atteint un nombre de paramètres de 33.2B. 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 : 132.

À l'extrémité inférieure, cela est géré par RTX A4500, avec une capacité de mémoire de 20 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 22.0 tokens par seconde

À l'autre extrémité se trouve B200, générant à peu près 102 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

EXAONE 4.5 a été publié par LG AI Research, dans le pays enregistré comme Korea (Republic of), durant April 2026. La catégorie à laquelle appartient l'éditeur est industry.

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

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.

Lire les chiffres de débit

La moitié des cartes qui le détiennent gèrent plus de 20.2 tokens par seconde. Dépassement direct de la vitesse de lecture. 101 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

L'entraînement a nécessité un budget de calcul d'environ 3.9 × 10²⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : training cost.

Étape par étape

Comment choisir un GPU pour EXAONE 4.5

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

Lisez d'abord le chiffre de mémoire

Chaque carte ici a été vérifiée contre EXAONE 4.5, ayant besoin d'environ 16.9 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

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. EXAONE 4.5.
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 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

Trier par vitesse

La commande de vitesse est effectivement un classement par bande passante mémoire, pour EXAONE 4.5. 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 102 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 EXAONE 4.5. 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 EXAONE 4.5.

Réponses

EXAONE 4.5 — questions courantes

EXAONE 4.5— quand a-t-il été publié ?

Il a été publié dans April 2026.

EXAONE 4.5— à quoi ça sert ?

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

EXAONE 4.5— 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.

EXAONE 4.5— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 3.9 × 10²⁴ 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.

EXAONE 4.5— 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 6.4 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

EXAONE 4.5— 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 : 132. Ainsi, une seconde carte est rarement la réponse ici.

EXAONE 4.5— 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.

EXAONE 4.5— 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 : 61–163 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.

EXAONE 4.5— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est RTX A4500, avec une capacité de mémoire de 20 GB. Il exécute le modèle à une compression de Q3_K_M environ 16.9 GB, et produit environ 22.0 tous les GPU capables de l'exécuter en total 132.

EXAONE 4.5— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 102 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 : 101.

EXAONE 4.5— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 16.9 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.

EXAONE 4.5— 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 Q4_K_M, environ 20.8 GO et générant à peu près 39.5 tokens par seconde. L'ajustement est serré.

EXAONE 4.5— 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.

EXAONE 4.5— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 33.2B. "Architecturally, EXAONE 4.5 integrates a 1.2B parameter vision encoder into the robust EXAONE 4.0 32B base model,". 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.

EXAONE 4.5— qui l'a créé ?

Il a été publié par LG AI Research, basé sur Korea (Republic of), une organisation catégorisée comme industry.

Source

Publication originale

Dernière mise à jour enregistrée 24 June 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