Mochi 1 calculateur TPS

Ouvrir les poids Genmo 10B paramètres October 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

509 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Xeon Phi 5110P

8 GB · Q4_K_M · 20.3 tok/s

Carte la plus rapide

B200

339 tok/s · 180 GB

Quelles GPU peuvent exécuter Mochi 1?

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.

509 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
339 tok/s 203–542 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	11.4 GB	Q8_0	Confortable
339 tok/s 203–542 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	11.4 GB	Q8_0	Confortable
271 tok/s 162–433 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	11.4 GB	Q8_0	Confortable
271 tok/s 162–433 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	11.4 GB	Q8_0	Confortable
216 tok/s 130–346 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	11.4 GB	Q8_0	Confortable
207 tok/s 124–331 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.4 GB	Q8_0	Confortable
207 tok/s 124–331 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.4 GB	Q8_0	Confortable
198 tok/s 119–317 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	11.4 GB	Q8_0	Confortable
176 tok/s 106–281 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	11.4 GB	Q8_0	Confortable
176 tok/s 106–281 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	11.4 GB	Q8_0	Confortable
176 tok/s 106–281 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	11.4 GB	Q8_0	Confortable
167 tok/s 100–267 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	11.4 GB	Q8_0	Confortable
146 tok/s 87–233 · faible confiance	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q4_K_M	À l'étroit
142 tok/s 85–228 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.4 GB	Q8_0	Confortable
142 tok/s 85–228 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	11.4 GB	Q8_0	Confortable
142 tok/s 85–228 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	11.4 GB	Q8_0	Confortable
142 tok/s 85–228 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.4 GB	Q8_0	Confortable
142 tok/s 85–228 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	11.4 GB	Q8_0	Confortable
118 tok/s 71–189 · faible confiance	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q5_K_M	À l'étroit
108 tok/s 65–173 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	11.4 GB	Q8_0	Confortable
108 tok/s 65–173 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	11.4 GB	Q8_0	Confortable
90.3 tok/s 54–144 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	11.4 GB	Q8_0	Confortable
88.4 tok/s 53–141 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	11.4 GB	Q8_0	Confortable
86.4 tok/s 52–138 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	11.4 GB	Q8_0	Confortable
86.4 tok/s 52–138 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	11.4 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: Genmo
Type d'organisation: Industry
Pays: United States of America
Publié: 22 October 2024

Ce qu'il fait

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

Domaine: Video
Tâche: Video generation, Text-to-video

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: 10B
Données d'entraînement: tokens

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: Mochi 1: A new SOTA in open-source video generation models
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Mochi 1

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 Mochi 1

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

Xeon Phi 5110P

Mémoire requise

6.7 GB

Le plus rapide

339 tok/s

Mochi 1 atteint un nombre de paramètres de 10B. 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 : 509.

Le point d'entrée est Xeon Phi 5110P, avec une capacité de mémoire de 8 GB, le faisant fonctionner à une compression de Q4_K_M et produisant environ 20.3 tokens par seconde

Haut de gamme est B200, générant à peu près 339 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

Mochi 1 a été publié par Genmo, dans le pays enregistré comme United States of America, durant October 2024. Cela provient d'une organisation classée comme industry.

Il fonctionne dans le domaine de Video, et est enregistré comme exécutant la tâche de video generation, Text-to-video.

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.

Qu'est-ce qui détermine la vitesse

Le résultat médian est d'environ 22.0 tokens par seconde 469 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.

Étape par étape

Comment choisir un GPU pour Mochi 1

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 Mochi 1, ayant besoin d'environ 6.7 GB à une compression de Q4_K_M. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Faites correspondre le contexte à votre utilisation réelle.

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. Mochi 1.
03

Définir un seuil de qualité

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

Classer par débit plutôt que par fiche technique

La commande de vitesse est effectivement un classement par bande passante mémoire, pour Mochi 1. 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 339 tok/s
05

Lisez la colonne de compatibilité en dernier.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de Mochi 1. 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.

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 Mochi 1.

Réponses

Mochi 1 — questions courantes

Mochi 1— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Xeon Phi 5110P, avec une capacité de mémoire de 8 GB. Il exécute le modèle à une compression de Q4_K_M environ 6.7 GB, et produit environ 20.3 tous les GPU capables de l'exécuter en total 509.

Mochi 1— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 339 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 : 469.

Mochi 1— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 6.7 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.

Mochi 1— 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 Q4_K_M, environ 6.7 GO et générant à peu près 146 tokens par seconde. L'ajustement est serré.

Mochi 1— 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 Q6_K, environ 9.1 GO et générant à peu près 56.2 tokens par seconde. L'ajustement est serré.

Mochi 1— 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 11.4 GO et générant à peu près 47.9 jetons par seconde. L'adéquation est confortable.

Mochi 1— 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 11.4 GO et générant à peu près 56.8 jetons par seconde. L'adéquation est confortable.

Mochi 1— 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.

Mochi 1— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 10B. featuring a 10 billion parameter diffusion model built on our novel Asymmetric Diffusion Transformer (AsymmDiT) architecture. 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.

Mochi 1— qui l'a créé ?

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

Mochi 1— quand a-t-il été publié ?

Il a été publié dans October 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.

Mochi 1— à quoi ça sert ?

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

Mochi 1— 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.

Mochi 1— 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 1.3 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Mochi 1— 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 : 509. Ainsi, une seconde carte est rarement la réponse ici.

Mochi 1— 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.

Mochi 1— 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 : 203–542 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.

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