Ring-flash-linear-2.0 TPS kalkulátor

Nyitott súlyok Ant Group 104.2B Paraméterek October 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

43 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Radeon Instinct MI200

64 GB · Q3_K_M · 14.0 tok/s

Leggyorsabb kártya

B200

32.5 tok/s · 180 GB

Melyik GPU képes futtatni Ring-flash-linear-2.0?

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.

43 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
32.5 tok/s 20–52 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	112.3 GB	Q8_0	Kényelmes
32.5 tok/s 20–52 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	112.3 GB	Q8_0	Kényelmes
31.5 tok/s 19–50 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	63.7 GB	Q4_K_M	Szoros
31.5 tok/s 19–50 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	63.7 GB	Q4_K_M	Szoros
28.6 tok/s 17–46 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.9 GB	Q5_K_M	Szoros
26.0 tok/s 16–42 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	112.3 GB	Q8_0	Kényelmes
26.0 tok/s 16–42 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	112.3 GB	Q8_0	Kényelmes
24.4 tok/s 15–39 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.9 GB	Q5_K_M	Szoros
24.4 tok/s 15–39 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.9 GB	Q5_K_M	Szoros
24.4 tok/s 15–39 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.9 GB	Q5_K_M	Szoros
22.2 tok/s 13–35 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	51.6 GB	Q3_K_M	Szoros
20.8 tok/s 12–33 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	112.3 GB	Q8_0	Szoros
19.9 tok/s 12–32 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	112.3 GB	Q8_0	Szoros
19.9 tok/s 12–32 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	112.3 GB	Q8_0	Szoros
19.1 tok/s 11–31 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	63.7 GB	Q4_K_M	Szoros
19.1 tok/s 11–31 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	63.7 GB	Q4_K_M	Szoros
19.1 tok/s 11–31 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	63.7 GB	Q4_K_M	Szoros
19.1 tok/s 11–31 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	63.7 GB	Q4_K_M	Szoros
19.1 tok/s 11–31 · alacsony bizalom	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	63.7 GB	Q4_K_M	Szoros
19.1 tok/s 11–31 · alacsony bizalom	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	63.7 GB	Q4_K_M	Szoros
19.0 tok/s 11–30 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	112.3 GB	Q8_0	Kényelmes
18.2 tok/s 11–29 · alacsony bizalom	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	63.7 GB	Q4_K_M	Szoros
18.2 tok/s 11–29 · alacsony bizalom	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	63.7 GB	Q4_K_M	Szoros
16.9 tok/s 10–27 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	112.3 GB	Q8_0	Szoros
16.9 tok/s 10–27 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	112.3 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: Ant Group
Szervezet típusa: Industry
Ország: China
Közölt: 23 October 2025
Szerzők: Bin Han, Caizhi Tang, Chen Liang, Donghao Zhang, Fan Yuan, Feng Zhu, Jie Gao, Jingyu Hu, Longfei Li, Meng Li, Mingyang Zhang, Peijie Jiang, Peng Jiao, Qian Zhao, Qingyuan Yang, Wenbo Shen, Xinxing Yang, Yalin Zhang, Yankun Ren, Yao Zhao, Yibo Cao, Yixuan Sun, Yue Zhang, Yuchen Fang, Zibin Lin, Zixuan Cheng, Jun Zhou

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Question answering, Quantitative reasoning, Code generation, Mathematical reasoning
Alapmodell: Ling-flash-base-2.0-20T
Numerikus formátum: FP8

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: 104.2B
Képzési adatok: 1,000,000,000,000 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: 7.7 × 10²³ FLOP
Hogyan jött létre: Operation counting
Finomhangolás számítás: 3.7 × 10²² FLOP

A tréning futás

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

Képzési hardver: NVIDIA H800 SXM5
Használt chipek: 32
Teljesítményfogyasztás: 43.7 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: Unreleased
Hugging Face: inclusionAI

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: Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Ring-flash-linear-2.0

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 Ring-flash-linear-2.0

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

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

Radeon Instinct MI200

Szükséges memória

51.6 GB

Leggyorsabb

32.5 tok/s

Ring-flash-linear-2.0 eléri a paraméterek számát 104.2B. 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: 43.

A legkevesebb hardver, ami működik, az Radeon Instinct MI200, memória kapacitással rendelkezik 64 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 14.0 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 32.5 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Ring-flash-linear-2.0 ki lett adva által Ant Group, az országban rögzítve mint China, alatt October 2025. A kiadó szervezet a következő kategóriába tartozik industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Quantitative reasoning, Code generation, Mathematical reasoning.

Ahelyett, hogy nulláról lenne betanítva, az származik Ling-flash-base-2.0-20T. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

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 inclusionAI.

A sebességek megértése

A medián eredmény körül 18.2 másodpercenkénti tokenek 37 tőlük

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

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 betanításhoz körülbelül egy számítási költségvetés kellett 7.7 × 10²³ FLOP, hardveren rögzítve NVIDIA H800 SXM5. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 1,000,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a Ring-flash-linear-2.0

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 Ring-flash-linear-2.0, körülbelül szükséges 51.6 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Illeszd a kontextust a tényleges használatodhoz.

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. Ring-flash-linear-2.0.
03

Döntsd el, mennyi tömörítést fogadsz el.

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.

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Ring-flash-linear-2.0. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 32.5 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Ring-flash-linear-2.0. 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.

Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. Ring-flash-linear-2.0.

Válaszok

Ring-flash-linear-2.0 — gyakori kérdések

Ring-flash-linear-2.0— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Radeon Instinct MI200, memória kapacitással rendelkezik 64 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 51.6 GB, és körülbelül 14.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 43.

Ring-flash-linear-2.0— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 32.5 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: 37.

Ring-flash-linear-2.0— mennyi VRAM-ra van szüksége?

Kb. 51.6 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.

Ring-flash-linear-2.0— 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.

Ring-flash-linear-2.0— Hány paramétere van?

Paraméterszáma 104.2B. Ring-flash-linear-2.0 contains 104B parameters and 6.1B activations. 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.

Ring-flash-linear-2.0— Ki készítette ezt?

Kiadta Ant Group, alapján China, egy szervezet, amelyet kategorizáltak mint industry.

Ring-flash-linear-2.0— Mikor adták ki?

Kibocsátották a October 2025.

Ring-flash-linear-2.0— Mire használják?

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

Ring-flash-linear-2.0— Hol tudom letölteni?

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

Ring-flash-linear-2.0— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 7.7 × 10²³ FLOP, hardveren rögzítve NVIDIA H800 SXM5. 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.

Ring-flash-linear-2.0— 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 20.5 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Ring-flash-linear-2.0— Futtatna-e két GPU gyorsabban?

Egy második Kártya körülbelül megduplázza a rendelkezésre álló MEMÓRIÁT, de nem a generálási sebességet. A szám, amely már képes egyedül futtatni: 43. Tehát egy második KÁRTYA ritkán a megoldás itt.

Ring-flash-linear-2.0— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Ring-flash-linear-2.0— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 20–52 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

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