Mamba2-Hybrid TPS kalkulátor

Nyitott súlyok NVIDIA 8.7B Paraméterek June 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 · 16.1 tok/s

Leggyorsabb kártya

B200

391 tok/s · 180 GB

Melyik GPU képes futtatni Mamba2-Hybrid?

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
391 tok/s 235–626 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	10.0 GB	Q8_0	Kényelmes
391 tok/s 235–626 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	10.0 GB	Q8_0	Kényelmes
312 tok/s 187–500 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	10.0 GB	Q8_0	Kényelmes
312 tok/s 187–500 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	10.0 GB	Q8_0	Kényelmes
250 tok/s 150–400 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	10.0 GB	Q8_0	Kényelmes
239 tok/s 143–383 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.0 GB	Q8_0	Kényelmes
239 tok/s 143–383 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	10.0 GB	Q8_0	Kényelmes
229 tok/s 137–366 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	10.0 GB	Q8_0	Kényelmes
203 tok/s 122–325 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	10.0 GB	Q8_0	Kényelmes
203 tok/s 122–325 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	10.0 GB	Q8_0	Kényelmes
203 tok/s 122–325 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	10.0 GB	Q8_0	Kényelmes
193 tok/s 116–308 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	10.0 GB	Q8_0	Kényelmes
164 tok/s 99–263 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.0 GB	Q8_0	Kényelmes
164 tok/s 99–263 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	10.0 GB	Q8_0	Kényelmes
164 tok/s 99–263 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	10.0 GB	Q8_0	Kényelmes
164 tok/s 99–263 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	10.0 GB	Q8_0	Kényelmes
164 tok/s 99–263 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	10.0 GB	Q8_0	Kényelmes
130 tok/s 78–208 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.9 GB	Q5_K_M	Szoros
125 tok/s 75–200 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	10.0 GB	Q8_0	Kényelmes
125 tok/s 75–200 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	10.0 GB	Q8_0	Kényelmes
111 tok/s 67–177 · alacsony bizalom	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.0 GB	Q6_K	Szoros
104 tok/s 63–167 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	10.0 GB	Q8_0	Kényelmes
102 tok/s 61–163 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	10.0 GB	Q8_0	Kényelmes
99.8 tok/s 60–160 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	10.0 GB	Q8_0	Kényelmes
99.8 tok/s 60–160 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	10.0 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: NVIDIA
Szervezet típusa: Industry
Ország: United States of America
Közölt: 12 June 2024
Szerzők: Roger Waleffe, Wonmin Byeon, Duncan Riach, Brandon Norick, Vijay Korthikanti, Tri Dao, Albert Gu, Ali Hatamizadeh, Sudhakar Singh, Deepak Narayanan, Garvit Kulshreshtha, Vartika Singh, Jared Casper, Jan Kautz, Mohammad Shoeybi, Bryan Catanzaro

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Question answering

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: 8.7B
Képzési adatok: tokens
Tételméret: 4,194,304

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: 1.8 × 10²³ FLOP
Hogyan jött létre: Operation counting

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: 1,024
Hardverhasználat: MFU 29.9%
Teljesítményfogyasztás: 1.4 MW

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 (unrestricted)
Képzés kód: Open source

Hogyan van besorolva

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

Valószínűleg 10²³ FLOP felett: Yes
Nyilvántartási bizalom: Likely

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: An Empirical Study of Mamba-based Language Models
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Mamba2-Hybrid

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 Mamba2-Hybrid

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 6000

Szükséges memória

4.9 GB

Leggyorsabb

391 tok/s

Mamba2-Hybrid eléri a paraméterek számát 8.7B. 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.

A legkevesebb hardver, ami működik, az Quadro 6000, memória kapacitással rendelkezik 6 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 16.1 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 391 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Mamba2-Hybrid ki lett adva által NVIDIA, az országban rögzítve mint United States of America, alatt June 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering.

Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted.

Milyen gyorsan fut, és miért

A kártyák felének, amelyek tartják, több mint 22.0 másodpercenkénti tokenek 545 tőlük

Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.

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.

Képzés és származás

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.8 × 10²³ 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.

Lépésről lépésre

Hogyan válasszunk GPU-t a Mamba2-Hybrid

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.

Kezdj a tényleges szükségletekből, ami a követelményének a Mamba2-Hybrid, körülbelül szükséges 4.9 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Illeszd a kontextust a tényleges használatodhoz.

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. Mamba2-Hybrid.
03

Válaszd ki, milyen messzire fogod tömöríteni.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., 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 Mamba2-Hybrid. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 391 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében Mamba2-Hybrid. 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.

Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. Mamba2-Hybrid.

Válaszok

Mamba2-Hybrid — gyakori kérdések

Mamba2-Hybrid— Mire használják?

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

Mamba2-Hybrid— Hol tudom letölteni?

A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.

Mamba2-Hybrid— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.8 × 10²³ 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.

Mamba2-Hybrid— 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 1.4 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Mamba2-Hybrid— Futtatna-e két GPU gyorsabban?

Két kártya memóriát vásárol, nem sebességet, ami csak akkor számít, ha az egyik kártya nem tudja tartani. Az a szám, ami tudja: 582. Tehát egy második KÁRTYA ritkán a megoldás itt.

Mamba2-Hybrid— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Mamba2-Hybrid— Mennyire pontosak ezek a sebességbecslések?

Ezek becslések valós hibahatárokkal, és bármelyikük ésszerűen bárhol elhelyezkedhet a közzétett tartományán belül, attól függően, hogy milyen futtatási időt használsz. A leggyorsabb eredmény itt: 235–626 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Mamba2-Hybrid— 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 4.9 GB, és körülbelül 16.1 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 582.

Mamba2-Hybrid— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 391 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.

Mamba2-Hybrid— mennyi VRAM-ra van szüksége?

Kb. 4.9 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.

Mamba2-Hybrid— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q5_K_M, használva körülbelül 6.9 GB és körülbelül generálás 130 tokensek másodpercenként. A fit szoros.

Mamba2-Hybrid— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 10.0 GB és körülbelül generálás 44.6 tokensek másodpercenként. A fit szoros.

Mamba2-Hybrid— 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 10.0 GB és körülbelül generálás 55.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

Mamba2-Hybrid— 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 10.0 GB és körülbelül generálás 65.5 másodpercenkénti tokenek. A illeszkedés kényelmes.

Mamba2-Hybrid— 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.

Mamba2-Hybrid— Hány paramétere van?

Paraméterszáma 8.7B. Table 6. 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.

Mamba2-Hybrid— Ki készítette ezt?

Kiadta NVIDIA, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.

Mamba2-Hybrid— Mikor adták ki?

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

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