Emu2 TPS kalkulátor

Nyitott súlyok Beijing Academy of Artificial Intelligence / BAAI,Tsinghua University,Peking University 37B 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

126 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla M40 24 GB

24 GB · IQ4_XS · 6.9 tok/s

Leggyorsabb kártya

B200

91.6 tok/s · 180 GB

Melyik GPU képes futtatni Emu2?

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.

126 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
91.6 tok/s 55–147 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	40.3 GB	Q8_0	Kényelmes
91.6 tok/s 55–147 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	40.3 GB	Q8_0	Kényelmes
73.1 tok/s 44–117 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	40.3 GB	Q8_0	Kényelmes
73.1 tok/s 44–117 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	40.3 GB	Q8_0	Kényelmes
58.5 tok/s 35–94 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	40.3 GB	Q8_0	Kényelmes
56.0 tok/s 34–90 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	40.3 GB	Q8_0	Kényelmes
56.0 tok/s 34–90 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	40.3 GB	Q8_0	Kényelmes
53.6 tok/s 32–86 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	40.3 GB	Q8_0	Kényelmes
47.5 tok/s 29–76 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	40.3 GB	Q8_0	Kényelmes
47.5 tok/s 29–76 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	40.3 GB	Q8_0	Kényelmes
47.5 tok/s 29–76 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	40.3 GB	Q8_0	Kényelmes
45.1 tok/s 27–72 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	40.3 GB	Q8_0	Kényelmes
38.5 tok/s 23–62 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	40.3 GB	Q8_0	Kényelmes
38.5 tok/s 23–62 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	40.3 GB	Q8_0	Kényelmes
38.5 tok/s 23–62 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	40.3 GB	Q8_0	Kényelmes
38.5 tok/s 23–62 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	40.3 GB	Q8_0	Kényelmes
38.5 tok/s 23–62 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	40.3 GB	Q8_0	Kényelmes
38.2 tok/s 23–61 · alacsony bizalom	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.4 GB	Q5_K_M	Szoros
38.2 tok/s 23–61 · alacsony bizalom	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.4 GB	Q5_K_M	Szoros
37.7 tok/s 23–60 · alacsony bizalom	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.9 GB	IQ4_XS	Szoros
36.6 tok/s 22–59 · alacsony bizalom	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.4 GB	Q5_K_M	Szoros
36.6 tok/s 22–59 · alacsony bizalom	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.4 GB	Q5_K_M	Szoros
34.3 tok/s 21–55 · alacsony bizalom	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.9 GB	IQ4_XS	Szoros
29.3 tok/s 18–47 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	40.3 GB	Q8_0	Kényelmes
29.3 tok/s 18–47 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	40.3 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: Beijing Academy of Artificial Intelligence / BAAI,Tsinghua University,Peking University
Szervezet típusa: Academia,Academia,Academia
Ország: China
Közölt: 8 May 2024
Szerzők: Quan Sun, Yufeng Cui, Xiaosong Zhang, Fan Zhang, Qiying Yu, Zhengxiong Luo, Yueze Wang, Yongming Rao, Jingjing Liu, Tiejun Huang, Xinlong Wang

Mit csinál

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

Tartomány: Multimodal, Language, Vision, Image generation
Feladat: Language modeling/generation, Question answering, Visual question answering, Image generation, Text-to-image
Alapmodell: LLaMA-33B,Stable Diffusion XL (SDXL)
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: 37B
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 (non-commercial)
Képzés kód: Unreleased
Hugging Face: BAAI

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: Generative Multimodal Models are In-Context Learners
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Emu2

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 Emu2

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

Tesla M40 24 GB

Szükséges memória

20.9 GB

Leggyorsabb

91.6 tok/s

Emu2 eléri a paraméterek számát 37B. 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: 126.

A belépési pont a Tesla M40 24 GB, memória kapacitással rendelkezik 24 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 6.9 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 91.6 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

Emu2 ki lett adva által Beijing Academy of Artificial Intelligence / BAAI,Tsinghua University,Peking University, az országban rögzítve mint China, alatt May 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia.

Működik a területen a Multimodal, Language, Vision, Image generation, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Visual question answering, Image generation, Text-to-image.

A kiindulópontja egy meglévő alapmodell volt, LLaMA-33B,Stable Diffusion XL (SDXL). Ezért osztja a bázismodell általános formáját és méretét.

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 BAAI.

Mi dönti el a sebességet

A kártyák felének, amelyek tartják, több mint 19.8 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 94 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 Emu2

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.

Minden kártyát itt leellenőriztünk a következőkkel szemben Emu2, körülbelül szükséges 20.9 GB a tömörítésnél IQ4_XS. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
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. Emu2.
03

Válaszd ki, milyen messzire fogod tömöríteni.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., 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.

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Emu2. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 91.6 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Emu2. 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. Emu2.

Válaszok

Emu2 — gyakori kérdések

Emu2— Hol tudom letölteni?

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

Emu2— 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 5.1 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Emu2— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 126. Tehát egy második KÁRTYA ritkán a megoldás itt.

Emu2— miért különbözik a kvantálás a kártyák között?

Mivel a kapacitás változik, úgy az is, hogy mennyire kell összenyomni. A fenti táblázatban lévő különböző szintek száma: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Emu2— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 55–147 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Emu2— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla M40 24 GB, memória kapacitással rendelkezik 24 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 20.9 GB, és körülbelül 6.9 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 126.

Emu2— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 91.6 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: 94.

Emu2— mennyi VRAM-ra van szüksége?

Kb. 20.9 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.

Emu2— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett IQ4_XS, használva körülbelül 20.9 GB és körülbelül generálás 37.7 tokensek másodpercenként. A fit szoros.

Emu2— 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.

Emu2— Hány paramétere van?

Paraméterszáma 37B. 37B "we leverage pretrained EVA-02-CLIP-E-plus [70], LLaMA-33B [73] and SDXL [58] to initialize the Visual Encoder, Multimodal Modeling, and Visual Decoder, respectively". 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.

Emu2— Ki készítette ezt?

Kiadta Beijing Academy of Artificial Intelligence / BAAI,Tsinghua University,Peking University, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia.

Emu2— 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.

Emu2— Mire használják?

Működik a területen a Multimodal, Language, Vision, Image generation, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Question answering, Visual question answering, Image generation, Text-to-image. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

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