Llama-3.1-Nemotron-70B-Instruct TPS kalkulátor

Nyitott súlyok NVIDIA,Meta AI 70B 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

61 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

A100 PCIe 40 GB

40 GB · Q3_K_M · 25.5 tok/s

Leggyorsabb kártya

B200

48.4 tok/s · 180 GB

Melyik GPU képes futtatni Llama-3.1-Nemotron-70B-Instruct?

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.

61 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
48.4 tok/s 29–77 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	75.6 GB	Q8_0	Kényelmes
48.4 tok/s 29–77 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	75.6 GB	Q8_0	Kényelmes
38.7 tok/s 23–62 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	75.6 GB	Q8_0	Kényelmes
38.7 tok/s 23–62 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	75.6 GB	Q8_0	Kényelmes
30.9 tok/s 19–49 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	75.6 GB	Q8_0	Kényelmes
29.6 tok/s 18–47 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	75.6 GB	Q8_0	Kényelmes
29.6 tok/s 18–47 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	75.6 GB	Q8_0	Kényelmes
29.5 tok/s 18–47 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	59.3 GB	Q6_K	Kényelmes
29.5 tok/s 18–47 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	59.3 GB	Q6_K	Kényelmes
28.3 tok/s 17–45 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	75.6 GB	Q8_0	Kényelmes
26.1 tok/s 16–42 · alacsony bizalom	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	43.0 GB	Q4_K_M	Szoros
25.5 tok/s 15–41 · alacsony bizalom	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.9 GB	Q3_K_M	Szoros
25.5 tok/s 15–41 · alacsony bizalom	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.9 GB	Q3_K_M	Szoros
25.5 tok/s 15–41 · alacsony bizalom	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.9 GB	Q3_K_M	Szoros
25.1 tok/s 15–40 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Kényelmes
25.1 tok/s 15–40 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Kényelmes
25.1 tok/s 15–40 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Kényelmes
23.8 tok/s 14–38 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.6 GB	Q8_0	Szoros
21.8 tok/s 13–35 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	51.2 GB	Q5_K_M	Szoros
20.3 tok/s 12–33 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Szoros
20.3 tok/s 12–33 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Szoros
20.3 tok/s 12–33 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Szoros
18.7 tok/s 11–30 · alacsony bizalom	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	43.0 GB	Q4_K_M	Szoros
17.9 tok/s 11–29 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	59.3 GB	Q6_K	Kényelmes
17.9 tok/s 11–29 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	59.3 GB	Q6_K	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,Meta AI
Szervezet típusa: Industry,Industry
Ország: United States of America
Közölt: 12 June 2024
Szerzők: Zhilin Wang, Yi Dong, Olivier Delalleau, Jiaqi Zeng, Gerald Shen, Daniel Egert, Jimmy Zhang, Makesh Narsimhan Sreedhar, Oleksii Kuchaiev

Mit csinál

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

Tartomány: Language
Feladat: Language modeling
Megközelítés: Reinforcement learning
Alapmodell: Llama 3.1-70B

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: 70B
Képzési adatok: 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: 7.9 × 10²⁴ FLOP
Hogyan jött létre: Hardware
Finomhangolás számítás: 1 × 10²⁰ FLOP

A tréning futás

Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.

Fali óra idő: 96 hours

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: nvidia

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
Miért követik nyomon: SOTA improvement
Nyilvántartási bizalom: Confident

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: https://www.semanticscholar.org/paper/HelpSteer2%3A-Open-source-dataset-for-training-reward-Wang-Dong/f590d8926dd12345a3bd22253461850f5ca4b3ed
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Llama-3.1-Nemotron-70B-Instruct

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-Nemotron-70B-Instruct

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

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

A100 PCIe 40 GB

Szükséges memória

34.9 GB

Leggyorsabb

48.4 tok/s

Llama-3.1-Nemotron-70B-Instruct eléri a paraméterek számát 70B. 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: 61.

A belépési pont a A100 PCIe 40 GB, memória kapacitással rendelkezik 40 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 25.5 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 48.4 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

Llama-3.1-Nemotron-70B-Instruct ki lett adva által NVIDIA,Meta AI, az országban rögzítve mint United States of America, alatt June 2024. A kiadó kategóriája alá tartozik industry,Industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.

Ahelyett, hogy nulláról lenne betanítva, az származik Llama 3.1-70B. Ez a szokásos módja egy specializált modell előállításának.

Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted. A Hugging Face-en az alábbi szervezet alatt van publikálva nvidia.

Mi dönti el a sebességet

A medián eredmény körül 17.1 másodpercenkénti tokenek 50 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.

Képzés és származás

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.9 × 10²⁴ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a Llama-3.1-Nemotron-70B-Instruct

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

01

Nézd meg, mire van szüksége, mielőtt bármi mást tennél.

Kezdj a tényleges szükségletekből, ami a követelményének a Llama-3.1-Nemotron-70B-Instruct, körülbelül szükséges 34.9 GB a tömörítésnél Q3_K_M. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Illeszd a kontextust a tényleges használatodhoz.

Állítsa be a kontextust arra, amit valójában használni fog. A cache a beszélgetéssel nő, és ez a szokásos oka annak, hogy egy kártya, amelynek korábban rendben kellett volna lennie, egyszer csak nem fér el. Llama-3.1-Nemotron-70B-Instruct.
03

Állítsa be a minőségi minimumot

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., 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.

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. Llama-3.1-Nemotron-70B-Instruct. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 48.4 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 Llama-3.1-Nemotron-70B-Instruct. 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. Llama-3.1-Nemotron-70B-Instruct.

Válaszok

Llama-3.1-Nemotron-70B-Instruct — gyakori kérdések

Llama-3.1-Nemotron-70B-Instruct— 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.

Llama-3.1-Nemotron-70B-Instruct— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Llama-3.1-Nemotron-70B-Instruct— Hol tudom letölteni?

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

Llama-3.1-Nemotron-70B-Instruct— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 7.9 × 10²⁴ FLOP. 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-Nemotron-70B-Instruct— 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 14.2 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Llama-3.1-Nemotron-70B-Instruct— 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: 61. Tehát egy második KÁRTYA ritkán a megoldás itt.

Llama-3.1-Nemotron-70B-Instruct— 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: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Llama-3.1-Nemotron-70B-Instruct— 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: 29–77 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Llama-3.1-Nemotron-70B-Instruct— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az A100 PCIe 40 GB, memória kapacitással rendelkezik 40 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 34.9 GB, és körülbelül 25.5 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 61.

Llama-3.1-Nemotron-70B-Instruct— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 48.4 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: 50.

Llama-3.1-Nemotron-70B-Instruct— mennyi VRAM-ra van szüksége?

Kb. 34.9 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.

Llama-3.1-Nemotron-70B-Instruct— 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-Nemotron-70B-Instruct— Hány paramétere van?

Paraméterszáma 70B. 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-Nemotron-70B-Instruct— Ki készítette ezt?

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

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