HAMSTER VLM calculateur TPS

Ouvrir les poids NVIDIA,University of Washington,University of Southern California 13.5B paramètres February 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

306 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

P102-101

10 GB · Q4_K_M · 19.7 tok/s

Carte la plus rapide

B200

251 tok/s · 180 GB

Quelles GPU peuvent exécuter HAMSTER VLM?

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.

306 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
251 tok/s 151–402 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	15.1 GB	Q8_0	Confortable
251 tok/s 151–402 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	15.1 GB	Q8_0	Confortable
201 tok/s 120–321 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	15.1 GB	Q8_0	Confortable
201 tok/s 120–321 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	15.1 GB	Q8_0	Confortable
160 tok/s 96–257 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	15.1 GB	Q8_0	Confortable
153 tok/s 92–246 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.1 GB	Q8_0	Confortable
153 tok/s 92–246 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.1 GB	Q8_0	Confortable
147 tok/s 88–235 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	15.1 GB	Q8_0	Confortable
130 tok/s 78–209 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Confortable
130 tok/s 78–209 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Confortable
130 tok/s 78–209 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Confortable
124 tok/s 74–198 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	15.1 GB	Q8_0	Confortable
113 tok/s 68–181 · faible confiance	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	Q4_K_M	À l'étroit
105 tok/s 63–169 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Confortable
105 tok/s 63–169 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	15.1 GB	Q8_0	Confortable
105 tok/s 63–169 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Confortable
105 tok/s 63–169 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Confortable
105 tok/s 63–169 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Confortable
80.3 tok/s 48–128 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	15.1 GB	Q8_0	Confortable
80.3 tok/s 48–128 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	15.1 GB	Q8_0	Confortable
66.9 tok/s 40–107 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	15.1 GB	Q8_0	Confortable
65.5 tok/s 39–105 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	15.1 GB	Q8_0	Confortable
64.0 tok/s 38–102 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	15.1 GB	Q8_0	Confortable
64.0 tok/s 38–102 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	15.1 GB	Q8_0	Confortable
64.0 tok/s 38–102 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	15.1 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: NVIDIA,University of Washington,University of Southern California
Type d'organisation: Industry,Academia,Academia
Pays: United States of America
Publié: 8 February 2025
Auteurs: Yi Li, Yuquan Deng, Jesse Zhang, Joel Jang, Marius Memmel, Raymond Yu, Caelan Reed Garrett, Fabio Ramos, Dieter Fox, Anqi Li, Abhishek Gupta, Ankit Goyal

Ce qu'il fait

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

Domaine: Robotics
Tâche: Robotic manipulation
Modèle de base: VILA1.5-13B
Format numérique: BF16

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: 13.5B
Données d'entraînement: tokens
Taille de lot: 256

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: 2.4 × 10²¹ FLOP
Comment cela a été établi: Hardware
Ajustement fin des calculs: 1.1 × 10²⁰ FLOP

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 A100 SXM4 80 GB
Chips utilisés: 8
Temps en temps réel: 30 hours
Consommation d'énergie: 6.3 kW

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.

Confiance d'enregistrement: Confident
Citations: 104

Sources

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

Référence: HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent HAMSTER VLM

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 HAMSTER VLM

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

Ce qu'il faut pour exécuter ce modèle

Carte minimale

P102-101

Mémoire requise

8.9 GB

Le plus rapide

251 tok/s

HAMSTER VLM atteint un nombre de paramètres de 13.5B. 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 : 306.

La plus petite carte qui le contient est P102-101, avec une capacité de mémoire de 10 GB, le faisant fonctionner à une compression de Q4_K_M et produisant environ 19.7 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 251 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

HAMSTER VLM a été publié par NVIDIA,University of Washington,University of Southern California, dans le pays enregistré comme United States of America, durant February 2025. Cela provient d'une organisation classée comme industry,Academia,Academia.

Il fonctionne dans le domaine de Robotics, et est enregistré comme exécutant la tâche de robotic manipulation.

Il s'appuie sur VILA1.5-13B. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.

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.

Comprendre les vitesses

Le résultat médian est d'environ 21.1 tokens par seconde. Dépassement direct de la vitesse de lecture. 269 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.

Sans la disposition d'attention sur fichier, la colonne de mémoire est une approximation. Elle est suffisamment proche pour choisir le matériel, et la moins fiable sur un long contexte.

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

La production a nécessité des calculs totalisant environ 2.4 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 GB. 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 HAMSTER VLM

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

La table répertorie chaque carte capable de supporter HAMSTER VLM, ayant besoin d'environ 8.9 GB à une compression de Q4_K_M. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
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 HAMSTER VLM.
03

Décidez combien de compression vous allez accepter

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., atteignant une compression de Q4_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 HAMSTER VLM. 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 251 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 HAMSTER VLM. 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.

Suivre une CARTE jusqu'à sa propre page montre chaque autre MODÈLE qu'elle peut supporter, ce qui est la question qui suit une fois que vous vous êtes décidé sur HAMSTER VLM.

Réponses

HAMSTER VLM — questions courantes

HAMSTER VLM— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 251 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 : 269.

HAMSTER VLM— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 8.9 GB à une compression de Q4_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.

HAMSTER VLM— 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 Q5_K_M, environ 10.4 GO et générant à peu près 51.1 tokens par seconde. L'ajustement est serré.

HAMSTER VLM— 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 Q6_K, environ 12.0 GO et générant à peu près 51.5 tokens par seconde. L'ajustement est serré.

HAMSTER VLM— 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 15.1 GO et générant à peu près 42.1 jetons par seconde. L'adéquation est confortable.

HAMSTER VLM— 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.

HAMSTER VLM— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 13.5B. https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included. 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.

HAMSTER VLM— qui l'a créé ?

Il a été publié par NVIDIA,University of Washington,University of Southern California, basé sur United States of America, une organisation catégorisée comme industry,Academia,Academia.

HAMSTER VLM— quand a-t-il été publié ?

Il a été publié dans February 2025.

HAMSTER VLM— à quoi ça sert ?

Il fonctionne dans le domaine de Robotics, et est enregistré comme gérant la tâche de robotic manipulation. 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.

HAMSTER VLM— 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.

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

L'entraînement a consommé environ 2.4 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 GB. 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.

HAMSTER VLM— 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. La plus proche approximation que nous calculons est inférieure de 1.7 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

HAMSTER VLM— deux GPUs l'exécuteraient-ils plus rapidement ?

La capacité s'additionne entre les cartes ; le débit ne le fait pas. Le nombre de cartes déjà capables de le garder par elles-mêmes : 306. Ainsi, une seconde carte est rarement la réponse ici.

HAMSTER VLM— 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.

HAMSTER VLM— quelle est la précision de ces estimations de vitesse ?

Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : 151–402 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.

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

La plus petite CARTE de notre catalogue qui le supporte est P102-101, avec une capacité de mémoire de 10 GB. Il exécute le modèle à une compression de Q4_K_M environ 8.9 GB, et produit environ 19.7 tous les GPU capables de l'exécuter en total 306.

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