Octo-Base TPS kalkulátor

Nyitott súlyok University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind 93M Paraméterek May 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

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · Q8_0 · 396 tok/s

Leggyorsabb kártya

B200

36,433 tok/s · 180 GB

Melyik GPU képes futtatni Octo-Base?

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..

818 kártyák illeszkednek

Számítás
Szükséges Kvantisálás Illeszkedik
36,433 tok/s

21,860–58,292 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Kényelmes
36,433 tok/s

21,860–58,292 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Kényelmes
29,092 tok/s

17,455–46,548 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Kényelmes
29,092 tok/s

17,455–46,548 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Kényelmes
23,267 tok/s

13,960–37,227 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Kényelmes
22,269 tok/s

13,362–35,631 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Kényelmes
22,269 tok/s

13,362–35,631 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Kényelmes
21,313 tok/s

12,788–34,101 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Kényelmes
18,915 tok/s

11,349–30,265 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Kényelmes
18,915 tok/s

11,349–30,265 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Kényelmes
18,915 tok/s

11,349–30,265 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Kényelmes
17,943 tok/s

10,766–28,709 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Kényelmes
15,302 tok/s

9,181–24,483 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Kényelmes
15,302 tok/s

9,181–24,483 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Kényelmes
15,302 tok/s

9,181–24,483 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Kényelmes
15,302 tok/s

9,181–24,483 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Kényelmes
15,302 tok/s

9,181–24,483 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Kényelmes
11,651 tok/s

6,991–18,642 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Kényelmes
11,651 tok/s

6,991–18,642 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Kényelmes
9,709 tok/s

5,826–15,535 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Kényelmes
9,502 tok/s

5,701–15,203 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Kényelmes
9,290 tok/s

5,574–14,865 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Kényelmes
9,290 tok/s

5,574–14,865 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Kényelmes
9,290 tok/s

5,574–14,865 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Kényelmes
9,290 tok/s

5,574–14,865 · alacsony bizalom

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 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
University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind
Szervezet típusa
Academia,Academia,Academia,Industry
Ország
United States of America, United Kingdom of Great Britain and Northern Ireland
Közölt
20 May 2024
Szerzők
Octo Model Team, Dibya Ghosh, Homer Walke, Karl Pertsch, Kevin Black, Oier Mees, Sudeep Dasari, Joey Hejna, Tobias Kreiman, Charles Xu, Jianlan Luo, You Liang Tan, Lawrence Yunliang Chen, Pannag Sanketi, Quan Vuong, Ted Xiao, Dorsa Sadigh, Chelsea Finn, Sergey Levine

Mit csinál

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

Tartomány
Robotics
Feladat
Robotic manipulation
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
93M

Source: https://arxiv.org/abs/2405.12213

Képzési adatok
tokens

Octo was pre-trained on 800k robot episodes from the Open X-Embodiment dataset. The authors describe this dataset as "heterogeneous," so it's unclear how to compute the size of the dataset. (Source: https://arxiv.org/abs/2405.12213)

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
5.9 × 10²⁰ FLOP

Training compute = peak FLOPs * utilization rate * training time ~= 128 TPUs * 275e12 FLOPs / TPU * 0.33 * 14 hours * 3600 s / hour ~= 585446400e12 FLOPs = 5.85e20 FLOPs, assuming utilization rate = 0.33.

Hogyan jött létre
Hardware

A tréning futás

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

Képzési hardver
Google TPU v4
Használt chipek
128
Fali óra idő
14 hours

“We trained two variants of our model: Octo-Small with a transformer backbone that mirrors the size of a ViT-S, andOcto-Base with a transformer backbone that mirrors the size of a ViT-B. The ViT-B was trained for 300k steps with a batch size of 2048 using a TPU v4-128 pod, which took 14 hours." (Source: https://arxiv.org/abs/2405.12213)

Teljesítményfogyasztás
86.0 kW

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

MIT license https://huggingface.co/rail-berkeley/octo-base https://github.com/octo-models/octo

Hugging Face
rail-berkeley

Hogyan van besorolva

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

Miért követik nyomon
SOTA improvement

Octo’s ability to control multiple robots out-of-the-box to the best openly available generalist robot policy, RT-1-X. RT-1-X had success rates of 0.2, ~0.38, and 0.6 on WidowX, UR5, and RT-1 Robot. Octo-Base outperformed RT-1-X on all tasks, with success rates of approximately 0.5, 0.7, and 0.8 on WidowX, UR5, and RT-1 Robot, respectively. (Source: https://arxiv.org/abs/2405.12213)

Nyilvántartási bizalom
Confident
Hivatkozások
1,244

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
Octo: An Open-Source Generalist Robot Policy
Utoljára frissítve
25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Octo-Base

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 36,433 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 36,433 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 23,267 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 21,313 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 18,915 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 18,915 tok/s

A legkisebb GPU-k, amik még futnak Octo-Base

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

  1. 01 GeForce RTX 4010 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 437 tok/s
  2. 02 RTX A400 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 437 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 583 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 874 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 155 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 455 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 512 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 455 tok/s
  9. 09 Arc A310 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 367 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 0.8 GB · Q8_0 · Kényelmes 379 tok/s

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Tesla C1080

Szükséges memória

0.8 GB

Leggyorsabb

36,433 tok/s

Octo-Base eléri a paraméterek számát 93M. 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: 818.

A legkisebb kártya, ami elbírja, az Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 396 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 36,433 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Octo-Base ki lett adva által University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind, az országban rögzítve mint United States of America, alatt May 2024. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Academia,Industry.

Működik a területen a Robotics, és úgy van rögzítve, mint a feladat végrehajtása robotic manipulation.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását. A Hugging Face-en az alábbi szervezet alatt van publikálva rail-berkeley.

Milyen gyorsan fut, és miért

A medián eredmény körül 1,023.0 másodpercenkénti tokenek 818 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.

Hogyan lett betanítva

A képzés futás körülbelül 5.9 × 10²⁰ FLOP, hardveren rögzítve Google TPU v4. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a Octo-Base

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

  1. 01

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

    Minden kártyát itt leellenőriztünk a következőkkel szemben Octo-Base, körülbelül szükséges 0.8 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.

  2. 02

    Állítsa be a használt CONTEXT LENGTH-et.

    A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. Octo-Base.

  3. 03

    Döntsd el, mennyi tömörítést fogadsz el.

    A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., elérni egy tömörítést a Q8_0 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.

  4. 04

    Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.

    A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Octo-Base. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 36,433 tok/s

  5. 05

    Olvasd el az illeszkedés oszlopot utoljára.

    A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében Octo-Base. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.

  6. 06

    Nyisd meg a kiválasztott kártyát.

    Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy Octo-Base.

Válaszok

Octo-Base — gyakori kérdések

01

Octo-Base— Mikor adták ki?

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

02

Octo-Base— Mire használják?

Működik a területen a Robotics, és rögzítve van, hogy kezeli a feladatot robotic manipulation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

03

Octo-Base— Hol tudom letölteni?

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

04

Octo-Base— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 5.9 × 10²⁰ FLOP, hardveren rögzítve Google TPU v4. 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.

05

Octo-Base— Futtathatom, ha nem fér el a GPU-mban?

Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

06

Octo-Base— 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: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

07

Octo-Base— 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.

08

Octo-Base— 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: 21,860–58,292 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

09

Octo-Base— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla C1080, memória kapacitással rendelkezik 4 GB. A modell egy tömörítéssel fut. Q8_0 használva körülbelül 0.8 GB, és körülbelül 396 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

10

Octo-Base— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 36,433 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: 818.

11

Octo-Base— mennyi VRAM-ra van szüksége?

Kb. 0.8 GB tömörítési arányban Q8_0, 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.

12

Octo-Base— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 0.8 GB és körülbelül generálás 6,786 másodpercenkénti tokenek. A illeszkedés kényelmes.

13

Octo-Base— 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 0.8 GB és körülbelül generálás 4,155 másodpercenkénti tokenek. A illeszkedés kényelmes.

14

Octo-Base— 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 0.8 GB és körülbelül generálás 5,146 másodpercenkénti tokenek. A illeszkedés kényelmes.

15

Octo-Base— 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 0.8 GB és körülbelül generálás 6,102 másodpercenkénti tokenek. A illeszkedés kényelmes.

16

Octo-Base— 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.

17

Octo-Base— Hány paramétere van?

Paraméterszáma 93M. Source: https://arxiv.org/abs/2405.12213. 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.

18

Octo-Base— Ki készítette ezt?

Kiadta University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Industry.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 25 May 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