Llama 3.1-405B TPS kalkulátor
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
818 kártyák, amelyek specifikációs adataink vannak
Legkisebb kártya, ami elfér
Radeon Instinct MI325X
256 GB · Q4_K_M · 11.3 tok/s
Leggyorsabb kártya
B300
19.3 tok/s · 288 GB
Melyik GPU képes futtatni Llama 3.1-405B?
Állítsa be a bemeneteket, olvassa el a választ
Egy hosszabb beszélgetés több memóriaigényt támaszt, ami kiszoríthatja ezt a modellt a kisebb kártyákról..
Elrejti azokat a GPU-kártyákat, amelyek csak a modellbe illeszkednének a compressziójuk ezen pont alá..
4 kártyák illeszkednek
Számítás| Szükséges | Kvantisálás | Illeszkedik | |||||
|---|---|---|---|---|---|---|---|
|
19.3
tok/s
16–23 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 224.3 GB | Q4_K_M | Szoros |
|
15.4
tok/s
9–25 · alacsony bizalom |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Szoros |
|
15.4
tok/s
9–25 · alacsony bizalom |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Szoros |
|
11.3
tok/s
7–18 · alacsony bizalom |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 224.3 GB | Q4_K_M | Szoros |
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
- Meta AI
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 23 July 2024
- Szerzők
- Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling/generation, Question answering, Code generation, Mathematical reasoning
- Numerikus formátum
- BF16
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
- 405B
- Képzési adatok
- 15,600,000,000,000 tokens
- Epochok
- 1
- Tételméret
- 16,000,000
405B
15.6T tokens
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.8 × 10²⁵ FLOP
- Hogyan jött létre
- Reported,Operation counting
- Utánképzési számítás
- 9.4 × 10²² FLOP
Stated in paper. Also, 6 * 405B * 15.6T training tokens = 3.8e25
Section 4 gives detail about the post-training process. They do 6 rounds of post-training, using the model from the previous iteration in each successive round. In each round, they fine-tune a copy of the language model into a reward model (RM) using preference data, then use the reward model to do rejection sampling on human annotation prompts. Next they do supervised fine-tuning (SFT) on the rejection sampled data along with some synthetic data (8.5k to 9k steps per round). Next, they do Direc…
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA H100 SXM5 80GB
- Használt chipek
- 16,384
- Fali óra idő
- 2,142 hours (89.3 days)
- Hardverhasználat
- MFU 40.4%
- Teljesítményfogyasztás
- 22.6 MW
- Számítási költség
- $52,885,434
Trained on 30.84M GPU hours (https://huggingface.co/blog/llama31) and used "up to 16K H100 GPU[s]" so training took at least 30.84M / 16k = 1927.5 hours or ~80 days. Section 3.3.4 gives reliability details over a 54 day period during training, for which they had "higher than 90% effective training time" 1927.5 / 0.9 = 2142 hours Probably, full training time is somewhat longer, since it sounds like there were periods where not all 16k H100s were running.
MFU ranges between 0.38 and 0.43 depending on the specific parallelism used; I assume the geometric mean: sqrt(0.38 * 0.43) = 0.4042
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
- Open (restricted use)
- Hugging Face
- meta-llama
Llama 3.1 model license: https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE must seek separate license if over 700m monthly users, acceptable use restrictions training code here: https://github.com/meta-llama/llama-recipes/blob/main/src/llama_recipes/utils/train_utils.py#L70
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Valószínűleg 10²³ FLOP felett
- Yes
- Miért követik nyomon
- SOTA improvement,Training cost
- Nyilvántartási bizalom
- Confident
High training compute, exceeds 4o and Claude 3.5 on some benchmarks: https://ai.meta.com/blog/meta-llama-3-1/
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- The Llama 3 Herd of Models
- Utoljára frissítve
- 28 November 2025
Az extremitások
A tíz leggyorsabb GPU, amely képes futtatni Llama 3.1-405B
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 Llama 3.1-405B
A legolcsóbb út, a memória kapacitás alapján. Egy szoros illeszkedés futtatja a modellt, de semmit sem hagy a hosszabb beszélgetésre..
- 01 Radeon Instinct MI325X 256 GB · Szükséges 224.3 GB · Q4_K_M · Szoros 11.3 tok/s
- 02 B300 288 GB · Szükséges 224.3 GB · Q4_K_M · Szoros 19.3 tok/s
- 03 Radeon Instinct MI350X 288 GB · Szükséges 224.3 GB · Q4_K_M · Szoros 15.4 tok/s
- 04 Radeon Instinct MI355X 288 GB · Szükséges 224.3 GB · Q4_K_M · Szoros 15.4 tok/s
Mit jelentenek a számok
A hardver oldal
Minimális kártya
Radeon Instinct MI325X
Szükséges memória
224.3 GB
Leggyorsabb
19.3 tok/s
Llama 3.1-405B eléri a paraméterek számát 405B. Ez túl van azon, amit bármelyik egyedi GPU kártya kezelni tud. A futtatása azt jelenti, hogy vagy több kártyára osztja, vagy olyan hardvert bérel, amelyet erre a feladatra terveztek, és minden olyan kártya, amely egyedül képes kezelni, egy adatközponti alkatrész. Az a szám, amely képes rá: 4.
az alsó végén ezt kezelik Radeon Instinct MI325X, memória kapacitással rendelkezik 256 GB, futtatás egy tömörítési arányon Q4_K_M és körülbelül előállítva 11.3 tokenek másodpercenként
A másik végén ül B300, nagyjából generálás 19.3 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.
Erről a modelről
Llama 3.1-405B ki lett adva által Meta AI, az országban rögzítve mint United States of America, alatt July 2024. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Code generation, Mathematical reasoning.
A nyílt súlyok az okai annak, hogy ez az oldal a kalkulátorban van, és nem csak a katalógusban: ez egy olyan modell, amit valójában meg tudsz tartani. A Hugging Face-en az alábbi szervezet alatt van publikálva meta-llama.
Milyen gyorsan fut, és miért
A medián eredmény körül 15.4 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 4 tőlük
Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.
A figyelem elrendezése a fájlban van, így a memóriaértékek pontosan számítva vannak, nem pedig közelítve.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 3.8 × 10²⁵ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 15,600,000,000,000 szöveg tokenjei
A kiválasztási kritériuma: sOTA improvement,Training cost.
Lépésről lépésre
Hogyan válasszunk GPU-t a Llama 3.1-405B
A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..
-
01
Olvasd el a MEMORY adatokat először.
Minden kártyát itt leellenőriztünk a következőkkel szemben Llama 3.1-405B, körülbelül szükséges 224.3 GB a tömörítésnél Q4_K_M. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
-
02
Állítsa be a használt CONTEXT LENGTH-et.
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. Llama 3.1-405B.
-
03
Állítsa be a minőségi minimumot
A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., elérni egy tömörítést a Q4_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
Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.
A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért Llama 3.1-405B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B300, at 19.3 tok/s
-
05
Olvasd el az illeszkedés oszlopot utoljára.
Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Llama 3.1-405B. 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. Llama 3.1-405B.
Válaszok
Llama 3.1-405B — gyakori kérdések
Llama 3.1-405B— Futtatna-e két GPU gyorsabban?
Egy második Kártya körülbelül megduplázza a rendelkezésre álló MEMÓRIÁT, de nem a generálási sebességet. A szám, amely már képes egyedül futtatni: 4. Tehát egy második KÁRTYA ritkán a megoldás itt.
Llama 3.1-405B— miért különbözik a kvantálás a kártyák között?
Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.
Llama 3.1-405B— Mennyire pontosak ezek a sebességbecslések?
Minden szám a memória sávszélességből és a modell méretéből származik, nem benchmarkolták, ezért mindet tartományként tették közzé, nem pedig egyetlen számként. Egy például: 16–23 tok/s a fájlban B300. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.
Llama 3.1-405B— Milyen GPU-ra van szükségem, hogy futtathassam?
A katalógusunk legkisebb kártyája, ami ezt tartja, az Radeon Instinct MI325X, memória kapacitással rendelkezik 256 GB. A modell egy tömörítéssel fut. Q4_K_M használva körülbelül 224.3 GB, és körülbelül 11.3 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 4.
Llama 3.1-405B— mennyi idő alatt fut a GPU-n?
A kártyától függ. A leggyorsabb, amit számolunk, az B300, körülbelül 19.3 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: 4.
Llama 3.1-405B— mennyi VRAM-ra van szüksége?
Kb. 224.3 GB tömörítési arányban Q4_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.
Llama 3.1-405B— 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.
Llama 3.1-405B— Hány paramétere van?
Paraméterszáma 405B. 405B. 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.
Llama 3.1-405B— Ki készítette ezt?
Kiadta Meta AI, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
Llama 3.1-405B— Mikor adták ki?
Kibocsátották a July 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Llama 3.1-405B— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Question answering, Code generation, Mathematical reasoning. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
Llama 3.1-405B— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt meta-llama. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
Llama 3.1-405B— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.8 × 10²⁵ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
Llama 3.1-405B— Futtathatom, ha nem fér el a GPU-mban?
Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. A legközelebbi hiba, amit számítunk, alulmúlja 51.5 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.
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..