InternVL2-Llama3-76B TPS kalkulátor

Nyitott súlyok Shanghai AI Lab 76B Paraméterek July 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

58 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Quadro RTX 8000

48 GB · IQ4_XS · 9.2 tok/s

Leggyorsabb kártya

B200

44.6 tok/s · 180 GB

Melyik GPU képes futtatni InternVL2-Llama3-76B?

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.

58 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
44.6 tok/s 27–71 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	82.1 GB	Q8_0	Kényelmes
44.6 tok/s 27–71 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	82.1 GB	Q8_0	Kényelmes
35.6 tok/s 21–57 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Kényelmes
35.6 tok/s 21–57 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Kényelmes
28.5 tok/s 17–46 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	82.1 GB	Q8_0	Kényelmes
27.3 tok/s 16–44 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Kényelmes
27.3 tok/s 16–44 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Kényelmes
27.2 tok/s 16–44 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	64.4 GB	Q6_K	Szoros
27.2 tok/s 16–44 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	64.4 GB	Q6_K	Szoros
26.1 tok/s 16–42 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	82.1 GB	Q8_0	Kényelmes
25.6 tok/s 15–41 · alacsony bizalom	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	42.3 GB	IQ4_XS	Szoros
23.2 tok/s 14–37 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Kényelmes
23.2 tok/s 14–37 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Kényelmes
23.2 tok/s 14–37 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Kényelmes
22.0 tok/s 13–35 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	82.1 GB	Q8_0	Szoros
20.1 tok/s 12–32 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	55.5 GB	Q5_K_M	Szoros
18.7 tok/s 11–30 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Szoros
18.7 tok/s 11–30 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Szoros
18.7 tok/s 11–30 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	Szoros
18.3 tok/s 11–29 · alacsony bizalom	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	42.3 GB	IQ4_XS	Szoros
16.5 tok/s 10–26 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	64.4 GB	Q6_K	Szoros
16.5 tok/s 10–26 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	64.4 GB	Q6_K	Szoros
16.5 tok/s 10–26 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	64.4 GB	Q6_K	Szoros
16.5 tok/s 10–26 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	64.4 GB	Q6_K	Szoros
16.5 tok/s 10–26 · alacsony bizalom	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	64.4 GB	Q6_K	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: Shanghai AI Lab
Szervezet típusa: Academia
Ország: China
Közölt: 15 July 2024

Mit csinál

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

Tartomány: Multimodal, Language, Vision, Video
Feladat: Visual question answering, Language modeling/generation, Question answering, Video description
Alapmodell: Hermes 2 Theta Llama-3 70B,InternViT-6B

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: 76B
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: Open source
Hugging Face: OpenGVLab

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: OpenGVLab/InternVL2-Llama3-76B
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni InternVL2-Llama3-76B

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 InternVL2-Llama3-76B

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

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

Quadro RTX 8000

Szükséges memória

42.3 GB

Leggyorsabb

44.6 tok/s

InternVL2-Llama3-76B eléri a paraméterek számát 76B. Ez a fogyasztói hardveren felül helyezi, abba a tartományba, ahol egy kártyát ezért a célért vásárolnak, nem pedig átalakítanak erre. Az általunk nyomon követett kártyák száma, amelyek elférnek benne: 58.

A legkevesebb hardver, ami működik, az Quadro RTX 8000, memória kapacitással rendelkezik 48 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 9.2 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 44.6 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

InternVL2-Llama3-76B ki lett adva által Shanghai AI Lab, az országban rögzítve mint China, alatt July 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.

Működik a területen a Multimodal, Language, Vision, Video, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Language modeling/generation, Question answering, Video description.

Ahelyett, hogy nulláról lenne betanítva, az származik Hermes 2 Theta Llama-3 70B,InternViT-6B. Ezért osztja a bázismodell általános formáját és méretét.

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 OpenGVLab.

Mi dönti el a sebességet

A medián eredmény körül 14.3 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 43 tőlük

A sűrűsége miatt minden egyes tokent önállóan olvas, ezért a sebesség szerinti rendezés alább annyira közel követi a memória sávszélesség szerinti rendezést.

A belső architektúrája nincs nyilvántartásban, így a memória a paraméterek száma alapján van megbecsülve és ennek megfelelően van megjelölve. Várhatóan a tényleges érték eltér, különösen hosszú CONTEXT LENGTH esetén.

Lépésről lépésre

Hogyan válasszunk GPU-t a InternVL2-Llama3-76B

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 InternVL2-Llama3-76B, körülbelül szükséges 42.3 GB a tömörítésnél IQ4_XS. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
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. InternVL2-Llama3-76B.
03

Válaszd ki, milyen messzire fogod tömöríteni.

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., elérni egy tömörítést a IQ4_XS 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.

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. InternVL2-Llama3-76B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 44.6 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében InternVL2-Llama3-76B. 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, mit futtat még az a kártya.

Minden kártyanév egy saját oldalra mutat, amely ugyanazt a számítást végzi el az egész modell kataloguson. Egy kártyát általában több modellhez is vásárolnak, ezért érdemes megnézni vásárlás előtt. InternVL2-Llama3-76B.

Válaszok

InternVL2-Llama3-76B — gyakori kérdések

InternVL2-Llama3-76B— 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: 58. Tehát egy második KÁRTYA ritkán a megoldás itt.

InternVL2-Llama3-76B— 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.

InternVL2-Llama3-76B— 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: 27–71 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

InternVL2-Llama3-76B— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Quadro RTX 8000, memória kapacitással rendelkezik 48 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 42.3 GB, és körülbelül 9.2 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 58.

InternVL2-Llama3-76B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 44.6 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: 43.

InternVL2-Llama3-76B— mennyi VRAM-ra van szüksége?

Kb. 42.3 GB tömörítési arányban IQ4_XS, 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.

InternVL2-Llama3-76B— 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.

InternVL2-Llama3-76B— Hány paramétere van?

Paraméterszáma 76B. 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.

InternVL2-Llama3-76B— Ki készítette ezt?

Kiadta Shanghai AI Lab, alapján China, egy szervezet, amelyet kategorizáltak mint academia.

InternVL2-Llama3-76B— 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.

InternVL2-Llama3-76B— Mire használják?

Működik a területen a Multimodal, Language, Vision, Video, és rögzítve van, hogy kezeli a feladatot visual question answering, Language modeling/generation, Question answering, Video description. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

InternVL2-Llama3-76B— Hol tudom letölteni?

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

InternVL2-Llama3-76B— Futtathatom, ha nem fér el a GPU-mban?

Részben. Azok a rétegek, amelyek nem férnek el a GPU VRAM-ban, a rendszer memóriájában ülnek és a sebesség egy töredékén futnak, így egy túlnyomórészt áthelyezett AI model használata ritkán éri meg. A legközelebbi hiba, amit számítunk, alulmúlja 10.7 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

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