YaRN (Llama 2 13B) TPS kalkulátor

Nyitott súlyok Nous Research,EleutherAI,University of Geneva 13B 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

241 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 7120P

16 GB · Q4_K_M · 17.2 tok/s

Leggyorsabb kártya

B200

261 tok/s · 180 GB

Melyik GPU képes futtatni YaRN (Llama 2 13B)?

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.

241 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	20.1 GB	Q8_0	Kényelmes
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	20.1 GB	Q8_0	Kényelmes
208 tok/s 125–333 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Kényelmes
208 tok/s 125–333 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Kényelmes
166 tok/s 100–266 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	20.1 GB	Q8_0	Kényelmes
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Kényelmes
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Kényelmes
152 tok/s 91–244 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	20.1 GB	Q8_0	Kényelmes
135 tok/s 81–217 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Kényelmes
135 tok/s 81–217 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Kényelmes
135 tok/s 81–217 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Kényelmes
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	20.1 GB	Q8_0	Kényelmes
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Kényelmes
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	20.1 GB	Q8_0	Kényelmes
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Kényelmes
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Kényelmes
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Kényelmes
85.0 tok/s 72–102	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.0 GB	Q4_K_M	Szoros
83.4 tok/s 50–133 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Kényelmes
83.4 tok/s 50–133 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Kényelmes
72.2 tok/s 61–87	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.0 GB	Q4_K_M	Szoros
69.5 tok/s 42–111 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	20.1 GB	Q8_0	Kényelmes
68.0 tok/s 41–109 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	20.1 GB	Q8_0	Kényelmes
67.5 tok/s 57–81	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	14.0 GB	Q4_K_M	Szoros
67.5 tok/s 57–81	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	14.0 GB	Q4_K_M	Szoros

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: Nous Research,EleutherAI,University of Geneva
Szervezet típusa: Industry,Research collective,Academia
Ország: United States of America, Switzerland
Közölt: 1 November 2023
Szerzők: Bowen Peng, Jeffrey Quesnelle, Honglu Fan, Enrico Shippole

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Question answering
Alapmodell: Llama 2-13B

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: 13B
Képzési adatok: 2,457,600,000 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: 1.9 × 10²⁰ FLOP
Hogyan jött létre: Operation counting
Finomhangolás számítás: 1.9 × 10²⁰ 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 (restricted use)
Képzés kód: Open source
Hugging Face: NousResearch

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: YaRN: Efficient Context Window Extension of Large Language Models
Utoljára frissítve: 11 February 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni YaRN (Llama 2 13B)

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 YaRN (Llama 2 13B)

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

Xeon Phi 7120P

Szükséges memória

14.0 GB

Leggyorsabb

261 tok/s

YaRN (Llama 2 13B) eléri a paraméterek számát 13B. 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: 241.

A legkevesebb hardver, ami működik, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB, futtatás egy tömörítési arányon Q4_K_M és körülbelül előállítva 17.2 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 261 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

YaRN (Llama 2 13B) ki lett adva által Nous Research,EleutherAI,University of Geneva, az országban rögzítve mint United States of America, alatt November 2023. A kiadó szervezet a következő kategóriába tartozik industry,Research collective,Academia.

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

A kiindulópontja egy meglévő alapmodell volt, Llama 2-13B. 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 Hugging Face-en az alábbi szervezet alatt van publikálva NousResearch.

Mi dönti el a sebességet

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 30.0 másodpercenkénti tokenek 220 tőlük

Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.

A figyelem elrendezése a fájlban van, így a memóriaértékek pontosan számítva vannak, nem pedig közelítve.

Mi került a felépítésébe

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.9 × 10²⁰ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A képzés körülbelül egy korpuszt fogyasztott 2,457,600,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a YaRN (Llama 2 13B)

A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..

01

Olvasd el a MEMORY adatokat először.

Kezdj a tényleges szükségletekből, ami a követelményének a YaRN (Llama 2 13B), körülbelül szükséges 14.0 GB a tömörítésnél Q4_K_M. 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. YaRN (Llama 2 13B).
03

Állítsa be a minőségi minimumot

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., elérni egy tömörítést a Q4_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.

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. YaRN (Llama 2 13B). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 261 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben YaRN (Llama 2 13B). 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. YaRN (Llama 2 13B).

Válaszok

YaRN (Llama 2 13B) — gyakori kérdések

YaRN (Llama 2 13B)— 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 20.1 GB és körülbelül generálás 43.7 tokensek másodpercenként. A fit szoros.

YaRN (Llama 2 13B)— 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.

YaRN (Llama 2 13B)— Hány paramétere van?

Paraméterszáma 13B. same as base model. 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.

YaRN (Llama 2 13B)— Ki készítette ezt?

Kiadta Nous Research,EleutherAI,University of Geneva, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Research collective,Academia.

YaRN (Llama 2 13B)— 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.

YaRN (Llama 2 13B)— Mire használják?

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

YaRN (Llama 2 13B)— Hol tudom letölteni?

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

YaRN (Llama 2 13B)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.9 × 10²⁰ 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.

YaRN (Llama 2 13B)— 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 3.2 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

YaRN (Llama 2 13B)— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 241. Tehát egy második KÁRTYA ritkán a megoldás itt.

YaRN (Llama 2 13B)— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 3. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

YaRN (Llama 2 13B)— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 222–313 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

YaRN (Llama 2 13B)— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB. A modell egy tömörítéssel fut. Q4_K_M használva körülbelül 14.0 GB, és körülbelül 17.2 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 241.

YaRN (Llama 2 13B)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 261 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: 220.

YaRN (Llama 2 13B)— mennyi VRAM-ra van szüksége?

Kb. 14.0 GB tömörítési arányban Q4_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.

YaRN (Llama 2 13B)— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q4_K_M, használva körülbelül 14.0 GB és körülbelül generálás 85.0 tokensek másodpercenként. A fit szoros.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 11 February 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