SeamlessM4T TPS kalkulátor

Nyitott súlyok Facebook,INRIA,University of California (UC) Berkeley 2.3B 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

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · Q8_0 · 16.0 tok/s

Leggyorsabb kártya

B200

1,473 tok/s · 180 GB

Melyik GPU képes futtatni SeamlessM4T?

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.

818 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
1,473 tok/s 884–2,357 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.2 GB	Q8_0	Kényelmes
1,473 tok/s 884–2,357 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.2 GB	Q8_0	Kényelmes
1,176 tok/s 706–1,882 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Kényelmes
1,176 tok/s 706–1,882 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Kényelmes
941 tok/s 564–1,505 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.2 GB	Q8_0	Kényelmes
900 tok/s 540–1,441 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Kényelmes
900 tok/s 540–1,441 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Kényelmes
862 tok/s 517–1,379 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.2 GB	Q8_0	Kényelmes
765 tok/s 459–1,224 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Kényelmes
765 tok/s 459–1,224 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Kényelmes
765 tok/s 459–1,224 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Kényelmes
726 tok/s 435–1,161 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.2 GB	Q8_0	Kényelmes
619 tok/s 371–990 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Kényelmes
619 tok/s 371–990 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.2 GB	Q8_0	Kényelmes
619 tok/s 371–990 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Kényelmes
619 tok/s 371–990 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Kényelmes
619 tok/s 371–990 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Kényelmes
471 tok/s 283–754 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Kényelmes
471 tok/s 283–754 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Kényelmes
393 tok/s 236–628 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.2 GB	Q8_0	Kényelmes
384 tok/s 231–615 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.2 GB	Q8_0	Kényelmes
376 tok/s 225–601 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.2 GB	Q8_0	Kényelmes
376 tok/s 225–601 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.2 GB	Q8_0	Kényelmes
376 tok/s 225–601 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.2 GB	Q8_0	Kényelmes
376 tok/s 225–601 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.2 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: Facebook,INRIA,University of California (UC) Berkeley
Szervezet típusa: Industry,Academia,Academia
Ország: United States of America, France
Közölt: 8 December 2023
Szerzők: Loïc Barrault, Yu-An Chung, Mariano Coria Meglioli, David Dale, Ning Dong, Mark Duppenthaler, Paul-Ambroise Duquenne, Brian Ellis, Hady Elsahar, Justin Haaheim, John Hoffman, Min-Jae Hwang, Hirofumi Inaguma, Christopher Klaiber, Ilia Kulikov, Pengwei Li, Daniel Licht, Jean Maillard, Ruslan Mavlyutov, Alice Rakotoarison, Kaushik Ram Sadagopan, Abinesh Ramakrishnan, Tuan Tran, Guillaume Wenzek, Yili…

Mit csinál

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

Tartomány: Speech, Language
Feladat: Translation, Speech synthesis, Speech recognition (ASR), Speech-to-text, Speech-to-speech
Megközelítés: Self-supervised learning
Alapmodell: W2v-BERT
Numerikus formátum: FP16

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: 2.3B
Képzési adatok: tokens

A tréning futás

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

Képzési hardver: NVIDIA V100

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

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
Nyilvántartási bizalom: Confident
Hivatkozások: 265

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Seamless: Multilingual Expressive and Streaming Speech Translation
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni SeamlessM4T

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 SeamlessM4T

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 C1080

Szükséges memória

3.2 GB

Leggyorsabb

1,473 tok/s

SeamlessM4T eléri a paraméterek számát 2.3B. 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 belépési pont a Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 16.0 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 1,473 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

SeamlessM4T ki lett adva által Facebook,INRIA,University of California (UC) Berkeley, az országban rögzítve mint United States of America, alatt December 2023. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Academia,Academia.

Működik a területen a Speech, Language, és úgy van rögzítve, mint a feladat végrehajtása translation, Speech synthesis, Speech recognition (ASR), Speech-to-text, Speech-to-speech.

A kiindulópontja egy meglévő alapmodell volt, W2v-BERT. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

A nyílt súlyok az okai annak, hogy ez az oldal a kalkulátorban van, és nem csak a katalógusban: ez egy olyan modell, amit valójában meg tudsz tartani.

A átbocsátási számadatok olvasása

A medián eredmény körül 41.4 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 785 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.

Képzés és származás

A kiválasztási kritériuma: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a SeamlessM4T

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.

A táblázat felsorolja az összes kártyát, amely képes tartani SeamlessM4T, körülbelül szükséges 3.2 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
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. SeamlessM4T.
03

Válaszd ki, milyen messzire fogod tömöríteni.

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.
04

Rendezés sebesség szerint

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért SeamlessM4T. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 1,473 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében SeamlessM4T. 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. SeamlessM4T.

Válaszok

SeamlessM4T — gyakori kérdések

SeamlessM4T— 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 3.2 GB és körülbelül generálás 274 másodpercenkénti tokenek. A illeszkedés kényelmes.

SeamlessM4T— 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 3.2 GB és körülbelül generálás 168 másodpercenkénti tokenek. A illeszkedés kényelmes.

SeamlessM4T— 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 3.2 GB és körülbelül generálás 208 másodpercenkénti tokenek. A illeszkedés kényelmes.

SeamlessM4T— 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 3.2 GB és körülbelül generálás 247 másodpercenkénti tokenek. A illeszkedés kényelmes.

SeamlessM4T— 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.

SeamlessM4T— Hány paramétere van?

Paraméterszáma 2.3B. 2.3B. 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.

SeamlessM4T— Ki készítette ezt?

Kiadta Facebook,INRIA,University of California (UC) Berkeley, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia,Academia.

SeamlessM4T— 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.

SeamlessM4T— Mire használják?

Működik a területen a Speech, Language, és rögzítve van, hogy kezeli a feladatot translation, Speech synthesis, Speech recognition (ASR), Speech-to-text, Speech-to-speech. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

SeamlessM4T— Hol tudom letölteni?

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

SeamlessM4T— Futtathatom, ha nem fér el a GPU-mban?

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

SeamlessM4T— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

SeamlessM4T— 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.

SeamlessM4T— 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: 884–2,357 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

SeamlessM4T— 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 3.2 GB, és körülbelül 16.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

SeamlessM4T— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 1,473 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: 785.

SeamlessM4T— mennyi VRAM-ra van szüksége?

Kb. 3.2 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.

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