OmniFusion-7B (InternViT-6B-448px V1-2) TPS kalkulátor

Nyitott súlyok AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology 12.5B Paraméterek November 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

509 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 5110P

8 GB · Q3_K_M · 19.0 tok/s

Leggyorsabb kártya

B200

270 tok/s · 180 GB

Melyik GPU képes futtatni OmniFusion-7B (InternViT-6B-448px V1-2)?

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.

509 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
270 tok/s 162–432 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.1 GB	Q8_0	Kényelmes
270 tok/s 162–432 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.1 GB	Q8_0	Kényelmes
216 tok/s 129–345 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Kényelmes
216 tok/s 129–345 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Kényelmes
173 tok/s 104–276 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.1 GB	Q8_0	Kényelmes
165 tok/s 99–264 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Kényelmes
165 tok/s 99–264 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Kényelmes
158 tok/s 95–253 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.1 GB	Q8_0	Kényelmes
140 tok/s 84–224 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Kényelmes
140 tok/s 84–224 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Kényelmes
140 tok/s 84–224 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Kényelmes
136 tok/s 81–217 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.8 GB	Q3_K_M	Szoros
133 tok/s 80–213 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.1 GB	Q8_0	Kényelmes
122 tok/s 73–195 · alacsony bizalom	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q4_K_M	Szoros
113 tok/s 68–182 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Kényelmes
113 tok/s 68–182 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.1 GB	Q8_0	Kényelmes
113 tok/s 68–182 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Kényelmes
113 tok/s 68–182 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Kényelmes
113 tok/s 68–182 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Kényelmes
86.4 tok/s 52–138 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Kényelmes
86.4 tok/s 52–138 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Kényelmes
72.0 tok/s 43–115 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.1 GB	Q8_0	Kényelmes
70.5 tok/s 42–113 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.1 GB	Q8_0	Kényelmes
70.0 tok/s 42–112 · alacsony bizalom	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.8 GB	Q3_K_M	Szoros
68.9 tok/s 41–110 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.1 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: AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology
Szervezet típusa: Research collective,Industry,Government,Academia
Ország: Russia
Közölt: 22 November 2023
Szerzők: Elizaveta Goncharova, Anton Razzhigaev, Matvey Mikhalchuk, Maxim Kurkin, Irina Abdullaeva, Matvey Skripkin, Ivan Oseledets, Denis Dimitrov, Andrey Kuznetsov

Mit csinál

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

Tartomány: Multimodal, Vision, Language
Feladat: Visual question answering, Language modeling/generation, Question answering
Alapmodell: InternViT-6B,GigaChat-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: 12.5B
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.

Finomhangolás számítás: 4 × 10¹⁶ FLOP

A tréning futás

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

Képzési hardver: NVIDIA A100
Használt chipek: 8
Teljesítményfogyasztás: 6.3 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: Open source
Hugging Face: AIRI-Institute

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 7

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: OmniFusion Technical Report
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2)

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

Xeon Phi 5110P

Szükséges memória

6.8 GB

Leggyorsabb

270 tok/s

OmniFusion-7B (InternViT-6B-448px V1-2) eléri a paraméterek számát 12.5B. 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: 509.

A belépési pont a Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 19.0 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 270 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

OmniFusion-7B (InternViT-6B-448px V1-2) ki lett adva által AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, az országban rögzítve mint Russia, alatt November 2023. A kiadó szervezet a következő kategóriába tartozik research collective,Industry,Government,Academia.

Működik a területen a Multimodal, Vision, Language, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Language modeling/generation, Question answering.

A kiindulópontja egy meglévő alapmodell volt, InternViT-6B,GigaChat-7B. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

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 AIRI-Institute.

Mi dönti el a sebességet

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 20.3 másodpercenkénti tokenek 451 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.

Lépésről lépésre

Hogyan válasszunk GPU-t a OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2), körülbelül szükséges 6.8 GB a tömörítésnél Q3_K_M. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
02

Illeszd a kontextust a tényleges használatodhoz.

A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. OmniFusion-7B (InternViT-6B-448px V1-2).
03

Állítsa be a minőségi minimumot

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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. OmniFusion-7B (InternViT-6B-448px V1-2). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 270 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 OmniFusion-7B (InternViT-6B-448px V1-2). 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 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. OmniFusion-7B (InternViT-6B-448px V1-2).

Válaszok

OmniFusion-7B (InternViT-6B-448px V1-2) — gyakori kérdések

OmniFusion-7B (InternViT-6B-448px V1-2)— 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: 162–432 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

OmniFusion-7B (InternViT-6B-448px V1-2)— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 6.8 GB, és körülbelül 19.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 509.

OmniFusion-7B (InternViT-6B-448px V1-2)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 270 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: 451.

OmniFusion-7B (InternViT-6B-448px V1-2)— mennyi VRAM-ra van szüksége?

Kb. 6.8 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q3_K_M, használva körülbelül 6.8 GB és körülbelül generálás 136 tokensek másodpercenként. A fit szoros.

OmniFusion-7B (InternViT-6B-448px V1-2)— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q5_K_M, használva körülbelül 9.7 GB és körülbelül generálás 55.0 tokensek másodpercenként. A fit szoros.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB és körülbelül generálás 38.2 tokensek másodpercenként. A fit szoros.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB és körülbelül generálás 45.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— Hány paramétere van?

Paraméterszáma 12.5B. The model uses InternViT-6B-448px V1-2 as the visual encoder, which undergoes pre-training, and GigaChat-7B as the LLM, which undergoes fine-tuning [1]. InternViT-6B-448px V1-2 has 5.54B parameters [2], and GigaChat-7B, being closed-source is assumed to have 7B parameters. 1. https://arxiv.org/pdf/2404.06212 2. https://huggingface.co/OpenGVLab/InternViT-6B-448px-V1-2. 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— Ki készítette ezt?

Kiadta AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, alapján Russia, egy szervezet, amelyet kategorizáltak mint research collective,Industry,Government,Academia.

OmniFusion-7B (InternViT-6B-448px V1-2)— Mikor adták ki?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— Mire használják?

Működik a területen a Multimodal, Vision, Language, és rögzítve van, hogy kezeli a feladatot visual question answering, Language modeling/generation, Question answering. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

OmniFusion-7B (InternViT-6B-448px V1-2)— Hol tudom letölteni?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— Futtathatom, ha nem fér el a GPU-mban?

Részben. Azok a rétegek, amelyek nem férnek el a GPU VRAM-ban, a rendszer memóriájában ülnek és a sebesség egy töredékén futnak, így egy túlnyomórészt áthelyezett AI model használata ritkán éri meg. A legközelebbi hiba, amit számítunk, alulmúlja 2.9 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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: 509. Tehát egy második KÁRTYA ritkán a megoldás itt.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

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