OpenThaiGPT v1.0.0 (7B) TPS kalkulátor

Nyitott súlyok Mahidol University,AI Entrepreneurs Association of Thailand 6.8B Paraméterek April 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

589 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla K20c

5 GB · IQ4_XS · 27.0 tok/s

Leggyorsabb kártya

B200

498 tok/s · 180 GB

Melyik GPU képes futtatni OpenThaiGPT v1.0.0 (7B)?

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.

589 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
498 tok/s 299–796 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.0 GB	Q8_0	Kényelmes
498 tok/s 299–796 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.0 GB	Q8_0	Kényelmes
397 tok/s 238–636 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.0 GB	Q8_0	Kényelmes
397 tok/s 238–636 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.0 GB	Q8_0	Kényelmes
318 tok/s 191–508 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.0 GB	Q8_0	Kényelmes
304 tok/s 182–487 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.0 GB	Q8_0	Kényelmes
304 tok/s 182–487 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.0 GB	Q8_0	Kényelmes
291 tok/s 175–466 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.0 GB	Q8_0	Kényelmes
258 tok/s 155–413 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Kényelmes
258 tok/s 155–413 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Kényelmes
258 tok/s 155–413 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Kényelmes
245 tok/s 147–392 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.0 GB	Q8_0	Kényelmes
209 tok/s 125–334 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Kényelmes
209 tok/s 125–334 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.0 GB	Q8_0	Kényelmes
209 tok/s 125–334 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Kényelmes
209 tok/s 125–334 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Kényelmes
209 tok/s 125–334 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Kényelmes
159 tok/s 95–255 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.0 GB	Q8_0	Kényelmes
159 tok/s 95–255 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.0 GB	Q8_0	Kényelmes
135 tok/s 81–215 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.4 GB	Q6_K	Szoros
133 tok/s 80–212 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.0 GB	Q8_0	Kényelmes
130 tok/s 78–208 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.0 GB	Q8_0	Kényelmes
127 tok/s 76–203 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.0 GB	Q8_0	Kényelmes
127 tok/s 76–203 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.0 GB	Q8_0	Kényelmes
127 tok/s 76–203 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.0 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: Mahidol University,AI Entrepreneurs Association of Thailand
Szervezet típusa: Academia
Ország: Thailand
Közölt: 8 April 2024
Szerzők: Kobkrit Viriyayudhakorn, Sumeth Yuenyong, Thaweewat Rugsujarit, Jillaphat Jaroenkantasima, Norapat Buppodom, Koravich Sangkaew, Peerawat Rojratchadakorn, Surapon Nonesung, Chanon Utupon, Sadhis Wongprayoon, Nucharee Thongthungwong, Chawakorn Phiantham, Patteera Triamamornwooth. Nattarika Juntarapaoraya, Kriangkrai Saetan, Pitikorn Khlaisamniang

Mit csinál

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

Tartomány: Language
Feladat: Chat, Language modeling/generation, Question answering, Retrieval-augmented generation
Alapmodell: Llama 2-7B

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: 6.8B
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: 2.7 × 10²¹ FLOP
Hogyan jött létre: Operation counting
Finomhangolás számítás: 4.1 × 10¹⁶ FLOP

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: openthaigpt

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: OpenThaiGPT 7b 1.0.0
Utoljára frissítve: 11 February 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni OpenThaiGPT v1.0.0 (7B)

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 OpenThaiGPT v1.0.0 (7B)

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

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Tesla K20c

Szükséges memória

4.4 GB

Leggyorsabb

498 tok/s

OpenThaiGPT v1.0.0 (7B) eléri a paraméterek számát 6.8B. 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: 589.

A legkisebb kártya, ami elbírja, az Tesla K20c, memória kapacitással rendelkezik 5 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 27.0 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 498 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

OpenThaiGPT v1.0.0 (7B) ki lett adva által Mahidol University,AI Entrepreneurs Association of Thailand, az országban rögzítve mint Thailand, alatt April 2024. A kiadó kategóriája alá tartozik academia.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása chat, Language modeling/generation, Question answering, Retrieval-augmented generation.

Ez alapoz. Llama 2-7B. Ez a szokásos módja egy specializált modell előállításának.

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 openthaigpt.

Mi dönti el a sebességet

A kártyák felének, amelyek tartják, több mint 26.9 másodpercenkénti tokenek 562 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.

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.

Hogyan lett betanítva

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 2.7 × 10²¹ FLOP. 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 OpenThaiGPT v1.0.0 (7B)

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.

Minden kártyát itt leellenőriztünk a következőkkel szemben OpenThaiGPT v1.0.0 (7B), körülbelül szükséges 4.4 GB a tömörítésnél IQ4_XS. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
02

Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

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. OpenThaiGPT v1.0.0 (7B).
03

Válaszd ki, milyen messzire fogod tömöríteni.

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

Rendezés sebesség szerint

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a OpenThaiGPT v1.0.0 (7B). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 498 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében OpenThaiGPT v1.0.0 (7B). A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nyisd meg a kiválasztott kártyát.

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. OpenThaiGPT v1.0.0 (7B).

Válaszok

OpenThaiGPT v1.0.0 (7B) — gyakori kérdések

OpenThaiGPT v1.0.0 (7B)— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot chat, Language modeling/generation, Question answering, Retrieval-augmented generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

OpenThaiGPT v1.0.0 (7B)— Hol tudom letölteni?

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

OpenThaiGPT v1.0.0 (7B)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2.7 × 10²¹ 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.

OpenThaiGPT v1.0.0 (7B)— 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 1.2 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

OpenThaiGPT v1.0.0 (7B)— 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: 589. Tehát egy második KÁRTYA ritkán a megoldás itt.

OpenThaiGPT v1.0.0 (7B)— 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: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

OpenThaiGPT v1.0.0 (7B)— 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: 299–796 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

OpenThaiGPT v1.0.0 (7B)— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla K20c, memória kapacitással rendelkezik 5 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 4.4 GB, és körülbelül 27.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 589.

OpenThaiGPT v1.0.0 (7B)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 498 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: 562.

OpenThaiGPT v1.0.0 (7B)— mennyi VRAM-ra van szüksége?

Kb. 4.4 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.

OpenThaiGPT v1.0.0 (7B)— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q6_K, használva körülbelül 6.4 GB és körülbelül generálás 135 tokensek másodpercenként. A fit szoros.

OpenThaiGPT v1.0.0 (7B)— 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 8.0 GB és körülbelül generálás 56.7 másodpercenkénti tokenek. A illeszkedés kényelmes.

OpenThaiGPT v1.0.0 (7B)— 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 8.0 GB és körülbelül generálás 70.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

OpenThaiGPT v1.0.0 (7B)— 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 8.0 GB és körülbelül generálás 83.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

OpenThaiGPT v1.0.0 (7B)— 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.

OpenThaiGPT v1.0.0 (7B)— Hány paramétere van?

Paraméterszáma 6.8B. https://huggingface.co/openthaigpt/openthaigpt-1.0.0-7b-chat. 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.

OpenThaiGPT v1.0.0 (7B)— Ki készítette ezt?

Kiadta Mahidol University,AI Entrepreneurs Association of Thailand, alapján Thailand, egy szervezet, amelyet kategorizáltak mint academia.

OpenThaiGPT v1.0.0 (7B)— Mikor adták ki?

Kibocsátották a April 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 11 February 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