mPLUG-Owl2 TPS kalkulátor

Nyitott súlyok Alibaba 7.1B 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

589 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla K20c

5 GB · Q3_K_M · 28.4 tok/s

Leggyorsabb kártya

B200

476 tok/s · 180 GB

Melyik GPU képes futtatni mPLUG-Owl2?

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
476 tok/s 286–761 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.3 GB	Q8_0	Kényelmes
476 tok/s 286–761 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.3 GB	Q8_0	Kényelmes
380 tok/s 228–608 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Kényelmes
380 tok/s 228–608 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Kényelmes
304 tok/s 182–486 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.3 GB	Q8_0	Kényelmes
291 tok/s 175–465 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Kényelmes
291 tok/s 175–465 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Kényelmes
278 tok/s 167–445 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.3 GB	Q8_0	Kényelmes
247 tok/s 148–395 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Kényelmes
247 tok/s 148–395 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Kényelmes
247 tok/s 148–395 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Kényelmes
234 tok/s 141–375 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.3 GB	Q8_0	Kényelmes
200 tok/s 120–320 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Kényelmes
200 tok/s 120–320 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.3 GB	Q8_0	Kényelmes
200 tok/s 120–320 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Kényelmes
200 tok/s 120–320 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Kényelmes
200 tok/s 120–320 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Kényelmes
152 tok/s 91–244 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Kényelmes
152 tok/s 91–244 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Kényelmes
129 tok/s 77–206 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q6_K	Szoros
127 tok/s 76–203 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.3 GB	Q8_0	Kényelmes
124 tok/s 74–199 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.3 GB	Q8_0	Kényelmes
121 tok/s 73–194 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.3 GB	Q8_0	Kényelmes
121 tok/s 73–194 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.3 GB	Q8_0	Kényelmes
121 tok/s 73–194 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.3 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: Alibaba
Szervezet típusa: Industry
Ország: China
Közölt: 7 November 2023
Szerzők: Qinghao Ye, Haiyang Xu, Jiabo Ye, Ming Yan, Anwen Hu, Haowei Liu, Qi Qian, Ji Zhang, Fei Huang, Jingren Zhou

Mit csinál

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

Tartomány: Vision, Language, Multimodal
Feladat: Visual question answering, Image captioning, Language modeling/generation
Alapmodell: Llama 2-7B
Numerikus formátum: BF16

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: 7.1B
Képzési adatok: 182,032,793,600 tokens
Epochok: 1

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.

Hogyan jött létre: Operation counting
Finomhangolás számítás: 1.7 × 10¹⁹ 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 (unrestricted)
Képzés kód: Open source
Hugging Face: Mizukiluke

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: Speculative

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: mPLUG-Owl2: Revolutionizing Multi-modal Large Language Model with Modality Collaboration
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni mPLUG-Owl2

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 mPLUG-Owl2

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

Mit jelentenek a számok

A hardver oldal

Minimális kártya

Tesla K20c

Szükséges memória

4.2 GB

Leggyorsabb

476 tok/s

mPLUG-Owl2 eléri a paraméterek számát 7.1B. 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.

az alsó végén ezt kezelik Tesla K20c, memória kapacitással rendelkezik 5 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 28.4 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 476 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

mPLUG-Owl2 ki lett adva által Alibaba, az országban rögzítve mint China, alatt November 2023. A kiadó szervezet a következő kategóriába tartozik industry.

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

A kiindulópontja egy meglévő alapmodell volt, Llama 2-7B. Ez a szokásos módja egy specializált modell előállításának.

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 Mizukiluke.

A átbocsátási számadatok olvasása

A kártyák felének, amelyek tartják, több mint 25.7 másodpercenkénti tokenek 559 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.

Mi került a felépítésébe

Körülbelül egy korpuszon lett betanítva 182,032,793,600 szöveg tokenjei

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

Lépésről lépésre

Hogyan válasszunk GPU-t a mPLUG-Owl2

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.

Kezdj a tényleges szükségletekből, ami a követelményének a mPLUG-Owl2, körülbelül szükséges 4.2 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Állítsa be a használt CONTEXT LENGTH-et.

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. mPLUG-Owl2.
03

Döntsd el, mennyi tömörítést fogadsz el.

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

Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a mPLUG-Owl2. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 476 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben mPLUG-Owl2. 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. mPLUG-Owl2.

Válaszok

mPLUG-Owl2 — gyakori kérdések

mPLUG-Owl2— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 589. Tehát egy második KÁRTYA ritkán a megoldás itt.

mPLUG-Owl2— 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.

mPLUG-Owl2— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 286–761 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

mPLUG-Owl2— 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. Q3_K_M használva körülbelül 4.2 GB, és körülbelül 28.4 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 589.

mPLUG-Owl2— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 476 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: 559.

mPLUG-Owl2— mennyi VRAM-ra van szüksége?

Kb. 4.2 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.

mPLUG-Owl2— 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 6.7 GB és körülbelül generálás 129 tokensek másodpercenként. A fit szoros.

mPLUG-Owl2— 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 8.3 GB és körülbelül generálás 54.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

mPLUG-Owl2— 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 8.3 GB és körülbelül generálás 67.2 másodpercenkénti tokenek. A illeszkedés kényelmes.

mPLUG-Owl2— 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 8.3 GB és körülbelül generálás 79.7 másodpercenkénti tokenek. A illeszkedés kényelmes.

mPLUG-Owl2— 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.

mPLUG-Owl2— Hány paramétere van?

Paraméterszáma 7.1B. "As depicted in Figure 2, our model, referred to as mPLUGOwl2, is composed of three main components: a fundamental vision encoder, a visual abstractor, and a language decoder. Specifically, we utilize ViT-L/14 as the vision encoder and LLaMA-2-7B [58] as the language decoder" ViT-L/14 has 123M parameters and Llama 2 7B has 7B parameters. 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.

mPLUG-Owl2— Ki készítette ezt?

Kiadta Alibaba, alapján China, egy szervezet, amelyet kategorizáltak mint industry.

mPLUG-Owl2— 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.

mPLUG-Owl2— Mire használják?

Működik a területen a Vision, Language, Multimodal, és rögzítve van, hogy kezeli a feladatot visual question answering, Image captioning, Language modeling/generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

mPLUG-Owl2— Hol tudom letölteni?

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

mPLUG-Owl2— 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 1.4 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

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