FLM-101B TPS kalkulátor

Nyitott súlyok Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI 101B Paraméterek September 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

43 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Radeon Instinct MI200

64 GB · IQ4_XS · 13.2 tok/s

Leggyorsabb kártya

B200

33.6 tok/s · 180 GB

Melyik GPU képes futtatni FLM-101B?

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.

43 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
33.6 tok/s 20–54 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	108.8 GB	Q8_0	Kényelmes
33.6 tok/s 20–54 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	108.8 GB	Q8_0	Kényelmes
32.5 tok/s 20–52 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	61.8 GB	Q4_K_M	Szoros
32.5 tok/s 20–52 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	61.8 GB	Q4_K_M	Szoros
29.5 tok/s 18–47 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	73.6 GB	Q5_K_M	Szoros
26.8 tok/s 16–43 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	108.8 GB	Q8_0	Kényelmes
26.8 tok/s 16–43 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	108.8 GB	Q8_0	Kényelmes
25.2 tok/s 15–40 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	73.6 GB	Q5_K_M	Szoros
21.4 tok/s 13–34 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	108.8 GB	Q8_0	Szoros
20.8 tok/s 12–33 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	55.9 GB	IQ4_XS	Szoros
20.5 tok/s 12–33 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	108.8 GB	Q8_0	Szoros
20.5 tok/s 12–33 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	108.8 GB	Q8_0	Szoros
20.5 tok/s 12–33 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.3 GB	Q6_K	Szoros
20.5 tok/s 12–33 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.3 GB	Q6_K	Szoros
19.8 tok/s 12–32 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	61.8 GB	Q4_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	61.8 GB	Q4_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	61.8 GB	Q4_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	61.8 GB	Q4_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	61.8 GB	Q4_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	61.8 GB	Q4_K_M	Szoros
19.6 tok/s 12–31 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	108.8 GB	Q8_0	Kényelmes
18.8 tok/s 11–30 · alacsony bizalom	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	61.8 GB	Q4_K_M	Szoros
18.8 tok/s 11–30 · alacsony bizalom	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	61.8 GB	Q4_K_M	Szoros
17.4 tok/s 10–28 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	108.8 GB	Q8_0	Szoros
17.4 tok/s 10–28 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	108.8 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: Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI
Szervezet típusa: Academia,Academia,Academia,Academia
Ország: China, Singapore
Közölt: 7 September 2023
Szerzők: Xiang Li, Yiqun Yao, Xin Jiang, Xuezhi Fang, Xuying Meng, Siqi Fan, Peng Han, Jing Li, Li Du, Bowen Qin, Zheng Zhang, Aixin Sun, Yequan Wang

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Question answering, Chat

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: 101B
Képzési adatok: 311,540,000,000 tokens
Tételméret: 4,310,000

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: 5.7 × 10²² 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.

Képzési hardver: NVIDIA A800 PCIe 40 GB
Fali óra idő: 517 hours (21.5 days)

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)

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 28

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: FLM-101B: An Open LLM and How to Train It with $100K Budget
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni FLM-101B

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 FLM-101B

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

Radeon Instinct MI200

Szükséges memória

55.9 GB

Leggyorsabb

33.6 tok/s

FLM-101B eléri a paraméterek számát 101B. Ez a fogyasztói hardveren felül helyezi, abba a tartományba, ahol egy kártyát ezért a célért vásárolnak, nem pedig átalakítanak erre. Az általunk nyomon követett kártyák száma, amelyek elférnek benne: 43.

A legkevesebb hardver, ami működik, az Radeon Instinct MI200, memória kapacitással rendelkezik 64 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 13.2 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 33.6 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

FLM-101B ki lett adva által Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI, az országban rögzítve mint China, alatt September 2023. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Academia,Academia.

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

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását.

Mi dönti el a sebességet

A medián eredmény körül 18.8 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 36 tőlük

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

Itt a memória méret alapján van megbecsülve, nem pedig az architektúrából számítva, amely nincs rögzítve ennél a modellnél — a számok tájékoztató jellegűek, nem pontosak.

Hogyan lett betanítva

A képzés futás körülbelül 5.7 × 10²² FLOP, hardveren rögzítve NVIDIA A800 PCIe 40 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A tanító készlet kb. futott 311,540,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a FLM-101B

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 FLM-101B, körülbelül szükséges 55.9 GB a tömörítésnél IQ4_XS. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
02

Illeszd a kontextust a tényleges használatodhoz.

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. FLM-101B.
03

Válaszd ki, milyen messzire fogod tömöríteni.

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., 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

Rangsoroljon átbocsátás alapján, nem pedig specifikációs lap szerint.

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért FLM-101B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 33.6 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben FLM-101B. 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 a kártyát a másik oldalról.

Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy FLM-101B.

Válaszok

FLM-101B — gyakori kérdések

FLM-101B— Hol tudom letölteni?

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

FLM-101B— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 5.7 × 10²² FLOP, hardveren rögzítve NVIDIA A800 PCIe 40 GB. 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.

FLM-101B— 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 18.6 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

FLM-101B— 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: 43. Tehát egy második KÁRTYA ritkán a megoldás itt.

FLM-101B— miért különbözik a kvantálás a kártyák között?

Minden kártya a lehető legkevésbé tömörített másolatát futtatva jelenik meg, amit képes tárolni. A kártyákon elférő különböző tömörítési szintek száma: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

FLM-101B— 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: 20–54 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

FLM-101B— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Radeon Instinct MI200, memória kapacitással rendelkezik 64 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 55.9 GB, és körülbelül 13.2 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 43.

FLM-101B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 33.6 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: 36.

FLM-101B— mennyi VRAM-ra van szüksége?

Kb. 55.9 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.

FLM-101B— 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.

FLM-101B— Hány paramétere van?

Paraméterszáma 101B. 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.

FLM-101B— Ki készítette ezt?

Kiadta Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Academia.

FLM-101B— Mikor adták ki?

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

FLM-101B— Mire használják?

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

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