Llama-3.1-Minitron-4B calculateur TPS

Ouvrir les poids NVIDIA 4B paramètres November 2024

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 · Q3_K_M · 24.9 tok/s

Carte la plus rapide

B200

847 tok/s · 180 GB

Quelles GPU peuvent exécuter Llama-3.1-Minitron-4B?

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
847 tok/s 720–1,016	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.7 GB	Q8_0	Confortable
847 tok/s 720–1,016	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.7 GB	Q8_0	Confortable
676 tok/s 406–1,082 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Confortable
676 tok/s 406–1,082 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Confortable
541 tok/s 325–866 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.7 GB	Q8_0	Confortable
518 tok/s 440–621	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Confortable
518 tok/s 440–621	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Confortable
496 tok/s 297–793 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.7 GB	Q8_0	Confortable
440 tok/s 264–704 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Confortable
440 tok/s 264–704 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Confortable
440 tok/s 264–704 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Confortable
417 tok/s 355–501	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.7 GB	Q8_0	Confortable
356 tok/s 302–427	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Confortable
356 tok/s 302–427	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.7 GB	Q8_0	Confortable
356 tok/s 302–427	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Confortable
356 tok/s 302–427	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Confortable
356 tok/s 302–427	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Confortable
271 tok/s 163–433 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Confortable
271 tok/s 163–433 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Confortable
226 tok/s 135–361 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.7 GB	Q8_0	Confortable
221 tok/s 133–353 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.7 GB	Q8_0	Confortable
216 tok/s 184–259	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.7 GB	Q8_0	Confortable
216 tok/s 184–259	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.7 GB	Q8_0	Confortable
216 tok/s 184–259	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.7 GB	Q8_0	Confortable
216 tok/s 184–259	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.7 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
Type d'organisation: Industry
Pays: United States of America
Publié: 4 November 2024
Auteurs: Saurav Muralidharan, Sharath Turuvekere Sreenivas, Raviraj Joshi, Marcin Chochowski, Mostofa Patwary, Mohammad Shoeybi, Bryan Catanzaro, Jan Kautz, Pavlo Molchanov

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, Chat, Question answering
Modèle de base: Llama 3.1-8B

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: 4B
Données d'entraînement: tokens

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
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 (unrestricted)

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

Sources

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

Référence: Compact Language Models via Pruning and Knowledge Distillation
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Llama-3.1-Minitron-4B

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 Llama-3.1-Minitron-4B

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

Exigences matérielles en pratique

Carte minimale

Tesla C1080

Mémoire requise

3.4 GB

Le plus rapide

847 tok/s

Llama-3.1-Minitron-4B atteint un nombre de paramètres de 4B. 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.

Le point d'entrée est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 24.9 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 847 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

Llama-3.1-Minitron-4B a été publié par NVIDIA, dans le pays enregistré comme United States of America, durant November 2024. La catégorie à laquelle appartient l'éditeur est industry.

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

Il s'appuie sur Llama 3.1-8B. C'est pourquoi il partage la forme et la taille générales du modèle de base.

Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.

Comprendre les vitesses

La moitié des cartes qui le détiennent gèrent plus de 35.2 tokens par seconde. Dépassement direct de la vitesse de lecture. 781 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.

Parce que l'architecture est enregistrée, la colonne de mémoire est dérivée plutôt qu'estimée.

Étape par étape

Comment choisir un GPU pour Llama-3.1-Minitron-4B

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 Llama-3.1-Minitron-4B, ayant besoin d'environ 3.4 GB à une compression de Q3_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.

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. Llama-3.1-Minitron-4B.
03

Choisissez jusqu'où vous allez le compresser

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

Trier par vitesse

Trier par vitesse pour voir comment les cartes se classent pour Llama-3.1-Minitron-4B. 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 847 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de Llama-3.1-Minitron-4B. 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 nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour Llama-3.1-Minitron-4B.

Réponses

Llama-3.1-Minitron-4B — questions courantes

Llama-3.1-Minitron-4B— 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 5.7 GO et générant à peu près 158 jetons par seconde. L'adéquation est confortable.

Llama-3.1-Minitron-4B— 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 5.7 GO et générant à peu près 96.6 jetons par seconde. L'adéquation est confortable.

Llama-3.1-Minitron-4B— 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 5.7 GO et générant à peu près 120 jetons par seconde. L'adéquation est confortable.

Llama-3.1-Minitron-4B— 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 5.7 GO et générant à peu près 142 jetons par seconde. L'adéquation est confortable.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 4B. 4b Llama-3.1-Minitron-4B-Width-Base uses a model embedding size of 3072, 32 attention heads, MLP intermediate dimension of 9216, with 32 layers in total. Additionally, it uses Grouped-Query Attention (GQA) and Rotary Position Embeddings (RoPE). Architecture Type: Transformer Decoder (Auto-Regressive Language Model) Network Architecture: Llama-3.1. 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.

Llama-3.1-Minitron-4B— qui l'a créé ?

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

Llama-3.1-Minitron-4B— quand a-t-il été publié ?

Il a été publié dans November 2024. 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.

Llama-3.1-Minitron-4B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Chat, Question answering. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— 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. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Llama-3.1-Minitron-4B— 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 : 818. Ainsi, une seconde carte est rarement la réponse ici.

Llama-3.1-Minitron-4B— 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 : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Llama-3.1-Minitron-4B— 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 : 720–1,016 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.

Llama-3.1-Minitron-4B— 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 Q3_K_M environ 3.4 GB, et produit environ 24.9 tous les GPU capables de l'exécuter en total 818.

Llama-3.1-Minitron-4B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 847 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 : 781.

Llama-3.1-Minitron-4B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 3.4 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.

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