FunSearch TPS kalkulátor

Nyitott súlyok Google DeepMind 15B Paraméterek December 2023

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

306 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

P102-101

10 GB · IQ4_XS · 18.9 tok/s

Leggyorsabb kártya

B200

226 tok/s · 180 GB

Melyik GPU képes futtatni FunSearch?

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.

306 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
226 tok/s 136–361 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.8 GB	Q8_0	Kényelmes
226 tok/s 136–361 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.8 GB	Q8_0	Kényelmes
180 tok/s 108–289 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Kényelmes
180 tok/s 108–289 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Kényelmes
144 tok/s 87–231 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.8 GB	Q8_0	Kényelmes
138 tok/s 83–221 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Kényelmes
138 tok/s 83–221 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Kényelmes
132 tok/s 79–211 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.8 GB	Q8_0	Kényelmes
117 tok/s 70–188 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Kényelmes
117 tok/s 70–188 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Kényelmes
117 tok/s 70–188 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Kényelmes
111 tok/s 67–178 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.8 GB	Q8_0	Kényelmes
108 tok/s 65–173 · alacsony bizalom	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	IQ4_XS	Szoros
94.9 tok/s 57–152 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Kényelmes
94.9 tok/s 57–152 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.8 GB	Q8_0	Kényelmes
94.9 tok/s 57–152 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Kényelmes
94.9 tok/s 57–152 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Kényelmes
94.9 tok/s 57–152 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Kényelmes
72.2 tok/s 43–116 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Kényelmes
72.2 tok/s 43–116 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Kényelmes
60.2 tok/s 36–96 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.8 GB	Q8_0	Kényelmes
59.5 tok/s 36–95 · alacsony bizalom	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.8 GB	Q4_K_M	Szoros
59.5 tok/s 36–95 · alacsony bizalom	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.8 GB	Q4_K_M	Szoros
58.9 tok/s 35–94 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.8 GB	Q8_0	Kényelmes
57.6 tok/s 35–92 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.8 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: Google DeepMind
Szervezet típusa: Industry
Ország: United States of America
Közölt: 14 December 2023
Szerzők: Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Matej Balog, M. Pawan Kumar, Emilien Dupont, Francisco J. R. Ruiz, Jordan S. Ellenberg, Pengming Wang, Omar Fawzi, Pushmeet Kohli, Alhussein Fawzi

Mit csinál

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

Tartomány: Language, Search
Feladat: Code generation
Alapmodell: PaLM 2

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: 15B
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: 3.9 × 10²³ FLOP
Hogyan jött létre: Hardware

A tréning futás

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

Fali óra idő: 48 hours

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

Hogyan van besorolva

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

Valószínűleg 10²³ FLOP felett: Yes
Miért követik nyomon: SOTA improvement,Historical significance
Nyilvántartási bizalom: Speculative
Hivatkozások: 593

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Mathematical discoveries from program search with large language models
Utoljára frissítve: 1 January 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni FunSearch

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 FunSearch

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

P102-101

Szükséges memória

8.9 GB

Leggyorsabb

226 tok/s

FunSearch eléri a paraméterek számát 15B. 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: 306.

A belépési pont a P102-101, memória kapacitással rendelkezik 10 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 18.9 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 226 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

FunSearch ki lett adva által Google DeepMind, az országban rögzítve mint United States of America, alatt December 2023. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.

Működik a területen a Language, Search, és úgy van rögzítve, mint a feladat végrehajtása code generation.

Ahelyett, hogy nulláról lenne betanítva, az származik PaLM 2. Ez a szokásos módja egy specializált modell előállításának.

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

A átbocsátási számadatok olvasása

A medián eredmény körül 21.1 másodpercenkénti tokenek 266 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.

Képzés és származás

A képzés futás körülbelül 3.9 × 10²³ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement,Historical significance.

Lépésről lépésre

Hogyan válasszunk GPU-t a FunSearch

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 FunSearch, körülbelül szükséges 8.9 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 hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. FunSearch.
03

Állítsa be a minőségi minimumot

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 FunSearch. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 226 tok/s
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 FunSearch. 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 kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy FunSearch.

Válaszok

FunSearch — gyakori kérdések

FunSearch— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 3.9 × 10²³ 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.

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

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. A legközelebbi hiba, amit számítunk, alulmúlja 2.6 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

FunSearch— 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: 306. Tehát egy második KÁRTYA ritkán a megoldás itt.

FunSearch— 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.

FunSearch— 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: 136–361 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

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

A katalógusunk legkisebb kártyája, ami ezt tartja, az P102-101, memória kapacitással rendelkezik 10 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 8.9 GB, és körülbelül 18.9 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 306.

FunSearch— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 226 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: 266.

FunSearch— mennyi VRAM-ra van szüksége?

Kb. 8.9 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.

FunSearch— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q4_K_M, használva körülbelül 9.8 GB és körülbelül generálás 59.5 tokensek másodpercenként. A fit szoros.

FunSearch— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q6_K, használva körülbelül 13.3 GB és körülbelül generálás 46.4 tokensek másodpercenként. A fit szoros.

FunSearch— 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 16.8 GB és körülbelül generálás 37.8 másodpercenkénti tokenek. A illeszkedés kényelmes.

FunSearch— 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.

FunSearch— Hány paramétere van?

Paraméterszáma 15B. From the section called "Pretrained LLM": "We use Codey, an LLM built on top of the PaLM2 model family... Because FunSearch relies on sampling from an LLM extensively, an important performance-defining tradeoff is between the quality of the samples and the inference speed of the LLM. In practice, we have chosen to work with a fast-inference model (rather than slower-inference, higher-quality)" Unclear which PaLM2 model was used (of Gecko, Otter, Bison, and Unicorn); above quote indicates it was perhaps Otter or Bison, but not Unicorn. Exact parameter counts are not publicly disclosed for any of these models. In comparisons where FunSearch uses StarCoder-15B, Codey is an improvement but not obviously of an entirely different model class. I report the 15B parameters from StarCoder-15B, used as an open-source comparison. 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.

FunSearch— Ki készítette ezt?

Kiadta Google DeepMind, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.

FunSearch— Mikor adták ki?

Kibocsátották a December 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

FunSearch— Mire használják?

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

FunSearch— Hol tudom letölteni?

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

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 1 January 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