Olmo 3 32B Instruct TPS kalkulátor

Nyitott súlyok Allen Institute for AI,University of Washington,Carnegie Mellon University (CMU),Stanford University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Princeton University,Massachusetts Institute of Technology (MIT),University of Maryland 32B Paraméterek November 2025

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

132 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

RTX A4500

20 GB · Q3_K_M · 22.9 tok/s

Leggyorsabb kártya

B200

106 tok/s · 180 GB

Melyik GPU képes futtatni Olmo 3 32B 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.

132 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
106 tok/s 64–169 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	35.0 GB	Q8_0	Kényelmes
106 tok/s 64–169 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	35.0 GB	Q8_0	Kényelmes
84.6 tok/s 51–135 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	35.0 GB	Q8_0	Kényelmes
84.6 tok/s 51–135 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	35.0 GB	Q8_0	Kényelmes
67.6 tok/s 41–108 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	35.0 GB	Q8_0	Kényelmes
64.7 tok/s 39–104 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.0 GB	Q8_0	Kényelmes
64.7 tok/s 39–104 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	35.0 GB	Q8_0	Kényelmes
61.9 tok/s 37–99 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	35.0 GB	Q8_0	Kényelmes
55.0 tok/s 33–88 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Kényelmes
55.0 tok/s 33–88 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Kényelmes
55.0 tok/s 33–88 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	35.0 GB	Q8_0	Kényelmes
52.2 tok/s 31–83 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	35.0 GB	Q8_0	Kényelmes
44.5 tok/s 27–71 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Kényelmes
44.5 tok/s 27–71 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	35.0 GB	Q8_0	Kényelmes
44.5 tok/s 27–71 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Kényelmes
44.5 tok/s 27–71 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Kényelmes
44.5 tok/s 27–71 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	35.0 GB	Q8_0	Kényelmes
40.9 tok/s 25–66 · alacsony bizalom	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.1 GB	Q4_K_M	Szoros
37.3 tok/s 22–60 · alacsony bizalom	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.1 GB	Q4_K_M	Szoros
36.0 tok/s 22–58 · alacsony bizalom	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	Q6_K	Szoros
36.0 tok/s 22–58 · alacsony bizalom	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.5 GB	Q6_K	Szoros
34.4 tok/s 21–55 · alacsony bizalom	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	Q6_K	Szoros
34.4 tok/s 21–55 · alacsony bizalom	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.5 GB	Q6_K	Szoros
33.9 tok/s 20–54 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	35.0 GB	Q8_0	Kényelmes
33.9 tok/s 20–54 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	35.0 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: Allen Institute for AI,University of Washington,Carnegie Mellon University (CMU),Stanford University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Princeton University,Massachusetts Institute of Technology (MIT),University of Maryland
Szervezet típusa: Research collective,Academia,Academia,Academia,Academia,Academia,Academia,Academia,Academia
Ország: United States of America, Canada
Közölt: 20 November 2025
Szerzők: Allyson Ettinger, Amanda Bertsch, Bailey Kuehl, David Graham, David Heineman, Dirk Groeneveld, Faeze Brahman, Finbarr Timbers, Hamish Ivison, Jacob Morrison, Jake Poznanski, Kyle Lo, Luca Soldaini, Matt Jordan, Mayee Chen, Michael Noukhovitch, Nathan Lambert, Pete Walsh, Pradeep Dasigi, Robert Berry, Saumya Malik, Saurabh Shah, Scott Geng, Shane Arora, Shashank Gupta, Taira Anderson, Teng Xiao, Ty…

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Chat, Code generation, Mathematical reasoning, Tool use

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: 32B
Képzési adatok: tokens

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
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)

Hogyan van besorolva

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

Nyilvántartási bizalom: Likely

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Olmo 3
Utoljára frissítve: 8 April 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Olmo 3 32B 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 Olmo 3 32B 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

RTX A4500

Szükséges memória

16.3 GB

Leggyorsabb

106 tok/s

Olmo 3 32B Instruct eléri a paraméterek számát 32B. Ez a tartományba esik, amelyet egy komoly asztali KÁRTYA kezelni tud, miután a súlyok tömörítve vannak. Azoknak a KÁRTYÁKNAK a száma, amelyeket nyomon követünk, és amelyek képesek futtatni: 132.

A belépési pont a RTX A4500, memória kapacitással rendelkezik 20 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 22.9 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 106 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Olmo 3 32B Instruct ki lett adva által Allen Institute for AI,University of Washington,Carnegie Mellon University (CMU),Stanford University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Princeton University,Massachusetts Institute of Technology (MIT),University of Maryland, az országban rögzítve mint United States of America, alatt November 2025. A kiadó kategóriája alá tartozik research collective,Academia,Academia,Academia,Academia,Academia,Academia,Academia,Academia.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Chat, Code generation, Mathematical reasoning, Tool use.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.

Milyen gyorsan fut, és miért

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 20.7 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 103 tőlük

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

Nélkül az attention elrendezés a nyilvántartásban, a memory oszlop egy közelítés. Elég közel van ahhoz, hogy hardver kiválasztását lehessen végezni, és a leghitványosabb hosszú context esetén.

Lépésről lépésre

Hogyan válasszunk GPU-t a Olmo 3 32B Instruct

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.

A táblázat felsorolja az összes kártyát, amely képes tartani Olmo 3 32B Instruct, körülbelül szükséges 16.3 GB a tömörítésnél Q3_K_M. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
02

Állítsa be a használt CONTEXT LENGTH-et.

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. Olmo 3 32B Instruct.
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 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

Rendezés sebesség szerint

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Olmo 3 32B Instruct. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 106 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Olmo 3 32B 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. Olmo 3 32B Instruct.

Válaszok

Olmo 3 32B Instruct — gyakori kérdések

Olmo 3 32B Instruct— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 132. Tehát egy második KÁRTYA ritkán a megoldás itt.

Olmo 3 32B Instruct— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Olmo 3 32B 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: 64–169 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Olmo 3 32B Instruct— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az RTX A4500, memória kapacitással rendelkezik 20 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 16.3 GB, és körülbelül 22.9 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 132.

Olmo 3 32B Instruct— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 106 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: 103.

Olmo 3 32B Instruct— mennyi VRAM-ra van szüksége?

Kb. 16.3 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.

Olmo 3 32B Instruct— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q4_K_M, használva körülbelül 20.1 GB és körülbelül generálás 40.9 tokensek másodpercenként. A fit szoros.

Olmo 3 32B 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.

Olmo 3 32B Instruct— Hány paramétere van?

Paraméterszáma 32B. 7B and 32B variants. Dense transformer architecture. (https://arxiv.org/abs/2512.13961). 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.

Olmo 3 32B Instruct— Ki készítette ezt?

Kiadta Allen Institute for AI,University of Washington,Carnegie Mellon University (CMU),Stanford University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Princeton University,Massachusetts Institute of Technology (MIT),University of Maryland, alapján United States of America, egy szervezet, amelyet kategorizáltak mint research collective,Academia,Academia,Academia,Academia,Academia,Academia,Academia,Academia.

Olmo 3 32B Instruct— Mikor adták ki?

Kibocsátották a November 2025.

Olmo 3 32B Instruct— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Chat, Code generation, Mathematical reasoning, Tool use. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Olmo 3 32B Instruct— Hol tudom letölteni?

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

Olmo 3 32B 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 5.7 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 8 April 2026

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