Shuka-1 TPS kalkulátor

Nyitott súlyok Sarvam 9.6B Paraméterek August 2024

Minden kártyát az alábbiak szerint értékelünk e modell alapján a választott kontextus hossza és minimális minőség szerint. A sebesség egy becslés egyetlen kérésre, amelyet a kártya memória sávszélessége és a modell mérete alapján számítunk ki, miután tömörítettük..

Kiszámítva ehhez a MODElhez

582 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Quadro 6000

6 GB · Q3_K_M · 14.6 tok/s

Leggyorsabb kártya

B200

354 tok/s · 180 GB

Melyik GPU képes futtatni Shuka-1?

Állítsa be a bemeneteket, olvassa el a választ

Kontekthossz tokenek

Egy hosszabb beszélgetés több memóriaigényt támaszt, ami kiszoríthatja ezt a modellt a kisebb kártyákról..

Minimum minőség

Elrejti azokat a GPU-kártyákat, amelyek csak a modellbe illeszkednének a compressziójuk ezen pont alá..

Kártyák keresése

Kártya memória

Olyan kártyákat is mutasson, amelyek nem tudják futtatni.

582 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
354 tok/s 213–567 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	10.9 GB	Q8_0	Kényelmes
354 tok/s 213–567 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	10.9 GB	Q8_0	Kényelmes
283 tok/s 170–453 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	10.9 GB	Q8_0	Kényelmes
283 tok/s 170–453 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	10.9 GB	Q8_0	Kényelmes
226 tok/s 136–362 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	10.9 GB	Q8_0	Kényelmes
217 tok/s 130–347 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.9 GB	Q8_0	Kényelmes
217 tok/s 130–347 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.9 GB	Q8_0	Kényelmes
207 tok/s 124–332 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	10.9 GB	Q8_0	Kényelmes
184 tok/s 110–294 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	10.9 GB	Q8_0	Kényelmes
184 tok/s 110–294 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	10.9 GB	Q8_0	Kényelmes
184 tok/s 110–294 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	10.9 GB	Q8_0	Kényelmes
175 tok/s 105–279 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	10.9 GB	Q8_0	Kényelmes
152 tok/s 91–244 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.5 GB	Q4_K_M	Szoros
149 tok/s 89–238 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.9 GB	Q8_0	Kényelmes
149 tok/s 89–238 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	10.9 GB	Q8_0	Kényelmes
149 tok/s 89–238 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	10.9 GB	Q8_0	Kényelmes
149 tok/s 89–238 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.9 GB	Q8_0	Kényelmes
149 tok/s 89–238 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	10.9 GB	Q8_0	Kényelmes
113 tok/s 68–181 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	10.9 GB	Q8_0	Kényelmes
113 tok/s 68–181 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	10.9 GB	Q8_0	Kényelmes
100 tok/s 60–161 · alacsony bizalom	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.7 GB	Q6_K	Szoros
94.5 tok/s 57–151 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	10.9 GB	Q8_0	Kényelmes
92.4 tok/s 55–148 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	10.9 GB	Q8_0	Kényelmes
90.4 tok/s 54–145 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	10.9 GB	Q8_0	Kényelmes
90.4 tok/s 54–145 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	10.9 GB	Q8_0	Kényelmes

A sebességek egyetlen kérésre - egy beszélgetés egy időben - vonatkozó becslések, amelyeket a MEMORY BANDWIDTH, a MODEL SIZE és a QUANTISATION alapján számítanak ki. A valós áteresztőképesség változik az INFERENCE RUNTIME és annak verziója szerint. A HARDWARE VENDORS által közzétett számok sok párhuzamos kérést mérnek, és sokkal magasabbak..

Nyilvántartásban

Teljes specifikáció

Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..

Eredet

Ki építette ezt a modellt, hol, és mikor publikálták.

Szervezet: Sarvam
Szervezet típusa: Industry
Ország: India
Közölt: 30 August 2024

Mit csinál

A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.

Tartomány: Speech
Feladat: Speech recognition (ASR), Speech-to-text
Alapmodell: Saaras v1,Llama 3-8B

Méret

Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.

Paraméterek: 9.6B
Képzési adatok: tokens

Elérhetőség

Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.

Súlyok: Open — downloadable
Modell hozzáférés: Open weights (restricted use)
Képzés kód: Unreleased
Hugging Face: sarvamai

Hogyan van besorolva

Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.

Nyilvántartási bizalom: Confident

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Shuka v1: Revolutionizing Audio Understanding for Indic Languages
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Shuka-1

A másodpercenkénti becsült tokenek alapján rangsorolva, a legújabb kártyát először, ahol a sebességek azonosak. Mivel a generálás a MEMÓRIA SZÉLESSÉGÉhez van kötve, ez a sorrend a sávszélességet követi, nem pedig bármilyen játékbeli tesztet..

A legkisebb GPU-k, amik még futnak Shuka-1

A legolcsóbb út, a memória kapacitás alapján. Egy szoros illeszkedés futtatja a modellt, de semmit sem hagy a hosszabb beszélgetésre..

Mit jelentenek a számok

A hardver oldal

Minimális kártya

Quadro 6000

Szükséges memória

5.4 GB

Leggyorsabb

354 tok/s

Shuka-1 eléri a paraméterek számát 9.6B. Ez elég kicsi ahhoz, hogy a hardver ritkán legyen az akadály, beleértve a több éves kártyákat is. Azoknak a kártyáknak a száma, amelyeket nyomon követünk, és amelyek el tudják futtatni: 582.

az alsó végén ezt kezelik Quadro 6000, memória kapacitással rendelkezik 6 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 14.6 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 354 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

Shuka-1 ki lett adva által Sarvam, az országban rögzítve mint India, alatt August 2024. A kiadó kategóriája alá tartozik industry.

Működik a területen a Speech, és úgy van rögzítve, mint a feladat végrehajtása speech recognition (ASR), Speech-to-text.

A kiindulópontja egy meglévő alapmodell volt, Saaras v1,Llama 3-8B. Ez a szokásos módja egy specializált modell előállításának.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül. A Hugging Face-en az alábbi szervezet alatt van publikálva sarvamai.

A átbocsátási számadatok olvasása

A kártyák felének, amelyek tartják, több mint 23.0 másodpercenkénti tokenek 545 tőlük

Ez egy sűrű modell, így minden paramétert minden előállított tokenhez elolvasnak. Ez szinte pontosan nyomon követi a memória-sávszélességet — egy kártya, amelynek kétszer akkora a sávszélessége, körülbelül kétszer olyan gyorsan generál.

Itt a memória méret alapján van megbecsülve, nem pedig az architektúrából számítva, amely nincs rögzítve ennél a modellnél — a számok tájékoztató jellegűek, nem pontosak.

Lépésről lépésre

Hogyan válasszunk GPU-t a Shuka-1

A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..

01

Kezdj a GPU VRAM oszloptól.

A táblázat felsorolja az összes kártyát, amely képes tartani Shuka-1, körülbelül szükséges 5.4 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

A beszélgetés is elfoglalja a VRAM-ot, és ahogy halad, nő. Állítsa be a csúszkát a várt hosszúságra, mert hosszú kontextusnál egy kártya, amely könnyen kezeli a rövid kérdéseket, lemaradhat. Shuka-1.
03

Válaszd ki, milyen messzire fogod tömöríteni.

A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., elérni egy tömörítést a Q3_K_M a legkisebb kártyán, ami elfér. A minimális minőség beállítása eldobja azokat a kártyákat, amelyek csak úgy tudják kezelni, hogy tovább szorítanak, mint amit szeretnél, és egy szinten tartja az összehasonlítást.
04

Rangsoroljon átbocsátás alapján, nem pedig specifikációs lap szerint.

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért Shuka-1. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 354 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Shuka-1. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nézd meg a kártyát a másik oldalról.

Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. Shuka-1.

Válaszok

Shuka-1 — gyakori kérdések

Shuka-1— Hány paramétere van?

Paraméterszáma 9.6B. "Our state-of-the-art, in-house, audio encoder: Saaras v1 Meta’s Llama3-8B-Instruct as the decoder The encoder and decoder are connected by a small projector with ~60M parameters.". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.

Shuka-1— Ki készítette ezt?

Kiadta Sarvam, alapján India, egy szervezet, amelyet kategorizáltak mint industry.

Shuka-1— Mikor adták ki?

Kibocsátották a August 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

Shuka-1— Mire használják?

Működik a területen a Speech, és rögzítve van, hogy kezeli a feladatot speech recognition (ASR), Speech-to-text. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Shuka-1— Hol tudom letölteni?

Súlyait a Hugging Face-en tette közzé, a szervezet alatt sarvamai. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.

Shuka-1— Futtathatom, ha nem fér el a GPU-mban?

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. A legközelebbi hiba, amit számítunk, alulmúlja 2.0 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Shuka-1— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 582. Tehát egy második KÁRTYA ritkán a megoldás itt.

Shuka-1— miért különbözik a kvantálás a kártyák között?

Minden kártya a lehető legkevésbé tömörített másolatát futtatva jelenik meg, amit képes tárolni. A kártyákon elférő különböző tömörítési szintek száma: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Shuka-1— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 213–567 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Shuka-1— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Quadro 6000, memória kapacitással rendelkezik 6 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 5.4 GB, és körülbelül 14.6 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 582.

Shuka-1— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 354 tokenek másodpercenként; a leglassabb, ami még fut, jelentősen kevesebbet képes kezelni. Az olvasási sebesség körülbelül tíz token másodpercenként, és a kártyák száma, amelyek ezt meg tudják tisztítani: 545.

Shuka-1— mennyi VRAM-ra van szüksége?

Kb. 5.4 GB tömörítési arányban Q3_K_M, melyik az a legkisebb KÁRTYA, amelyik futtatni tudja. Kevesebb tömörítés több szükséges: a fentebbi memória oszlop számai minden KÁRTYÁRA újraszámításra kerülnek, mert mindegyik tartalmazza a legkevésbé tömörített verziót, amit csak tud.

Shuka-1— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q4_K_M, használva körülbelül 6.5 GB és körülbelül generálás 152 tokensek másodpercenként. A fit szoros.

Shuka-1— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q6_K, használva körülbelül 8.7 GB és körülbelül generálás 58.7 másodpercenkénti tokenek. A illeszkedés kényelmes.

Shuka-1— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 10.9 GB és körülbelül generálás 50.1 másodpercenkénti tokenek. A illeszkedés kényelmes.

Shuka-1— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 10.9 GB és körülbelül generálás 59.4 másodpercenkénti tokenek. A illeszkedés kényelmes.

Shuka-1— Nyílt forráskódú?

Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 28 November 2025

A másik irány

Másik oldalról nézve?

Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..

Minden AI modell