MinerU2.5 TPS kalkulátor

Nyitott súlyok Shanghai AI Lab,Peking University,Shanghai Jiao Tong University 1.2B Paraméterek September 2025

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 · 30.7 tok/s

Leggyorsabb kártya

B200

2,824 tok/s · 180 GB

Melyik GPU képes futtatni MinerU2.5?

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
2,824 tok/s 1,694–4,518 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.0 GB	Q8_0	Kényelmes
2,824 tok/s 1,694–4,518 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.0 GB	Q8_0	Kényelmes
2,255 tok/s 1,353–3,607 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.0 GB	Q8_0	Kényelmes
2,255 tok/s 1,353–3,607 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.0 GB	Q8_0	Kényelmes
1,803 tok/s 1,082–2,885 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.0 GB	Q8_0	Kényelmes
1,726 tok/s 1,036–2,761 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.0 GB	Q8_0	Kényelmes
1,726 tok/s 1,036–2,761 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.0 GB	Q8_0	Kényelmes
1,652 tok/s 991–2,643 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.0 GB	Q8_0	Kényelmes
1,466 tok/s 880–2,346 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.0 GB	Q8_0	Kényelmes
1,466 tok/s 880–2,346 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.0 GB	Q8_0	Kényelmes
1,466 tok/s 880–2,346 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.0 GB	Q8_0	Kényelmes
1,391 tok/s 834–2,225 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.0 GB	Q8_0	Kényelmes
1,186 tok/s 712–1,897 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.0 GB	Q8_0	Kényelmes
1,186 tok/s 712–1,897 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.0 GB	Q8_0	Kényelmes
1,186 tok/s 712–1,897 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.0 GB	Q8_0	Kényelmes
1,186 tok/s 712–1,897 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.0 GB	Q8_0	Kényelmes
1,186 tok/s 712–1,897 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.0 GB	Q8_0	Kényelmes
903 tok/s 542–1,445 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.0 GB	Q8_0	Kényelmes
903 tok/s 542–1,445 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.0 GB	Q8_0	Kényelmes
752 tok/s 451–1,204 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.0 GB	Q8_0	Kényelmes
736 tok/s 442–1,178 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.0 GB	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.0 GB	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.0 GB	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.0 GB	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.0 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: Shanghai AI Lab,Peking University,Shanghai Jiao Tong University
Szervezet típusa: Academia,Academia,Academia
Ország: China
Közölt: 29 September 2025
Szerzők: Junbo Niu, Zheng Liu, Zhuangcheng Gu, Bin Wang, Linke Ouyang, Zhiyuan Zhao, Tao Chu, Tianyao He, Fan Wu, Qintong Zhang, Zhenjiang Jin, Guang Liang, Rui Zhang, Wenzheng Zhang, Yuan Qu, Zhifei Ren, Yuefeng Sun, Yuanhong Zheng, Dongsheng Ma, Zirui Tang, Boyu Niu, Ziyang Miao, Hejun Dong, Siyi Qian, Junyuan Zhang, Jingzhou Chen, Fangdong Wang, Xiaomeng Zhao, Liqun Wei, Wei Li, Shasha Wang, Ruiliang Xu…

Mit csinál

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

Tartomány: Language, Vision, Multimodal
Feladat: Visual question answering, Character recognition (OCR)
Alapmodell: Qwen2-VL-2B,Qwen2-0.5B

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: 1.2B
Képzési adatok: tokens

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: Unreleased
Hugging Face: opendatalab

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: MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni MinerU2.5

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 MinerU2.5

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

2.0 GB

Leggyorsabb

2,824 tok/s

MinerU2.5 eléri a paraméterek számát 1.2B. 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 30.7 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 2,824 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

MinerU2.5 ki lett adva által Shanghai AI Lab,Peking University,Shanghai Jiao Tong University, az országban rögzítve mint China, alatt September 2025. A kiadó kategóriája alá tartozik academia,Academia,Academia.

Működik a területen a Language, Vision, Multimodal, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Character recognition (OCR).

Ez alapoz. Qwen2-VL-2B,Qwen2-0.5B. Ezért osztja a bázismodell általános formáját és méretét.

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 opendatalab.

A sebességek megértése

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 79.3 másodpercenkénti tokenek 799 tőlük

A sűrűsége miatt minden egyes tokent önállóan olvas, ezért a sebesség szerinti rendezés alább annyira közel követi a memória sávszélesség szerinti rendezést.

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

Lépésről lépésre

Hogyan válasszunk GPU-t a MinerU2.5

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 MinerU2.5, körülbelül szükséges 2.0 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. MinerU2.5.
03

Állítsa be a minőségi minimumot

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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. MinerU2.5. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 2,824 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében MinerU2.5. 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. MinerU2.5.

Válaszok

MinerU2.5 — gyakori kérdések

MinerU2.5— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 1,694–4,518 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

MinerU2.5— 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 2.0 GB, és körülbelül 30.7 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

MinerU2.5— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 2,824 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: 799.

MinerU2.5— mennyi VRAM-ra van szüksége?

Kb. 2.0 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.

MinerU2.5— 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 2.0 GB és körülbelül generálás 526 másodpercenkénti tokenek. A illeszkedés kényelmes.

MinerU2.5— 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 2.0 GB és körülbelül generálás 322 másodpercenkénti tokenek. A illeszkedés kényelmes.

MinerU2.5— 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 2.0 GB és körülbelül generálás 399 másodpercenkénti tokenek. A illeszkedés kényelmes.

MinerU2.5— 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 2.0 GB és körülbelül generálás 473 másodpercenkénti tokenek. A illeszkedés kényelmes.

MinerU2.5— 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.

MinerU2.5— Hány paramétere van?

Paraméterszáma 1.2B. 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.

MinerU2.5— Ki készítette ezt?

Kiadta Shanghai AI Lab,Peking University,Shanghai Jiao Tong University, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia.

MinerU2.5— Mikor adták ki?

Kibocsátották a September 2025.

MinerU2.5— Mire használják?

Működik a területen a Language, Vision, Multimodal, és rögzítve van, hogy kezeli a feladatot visual question answering, Character recognition (OCR). Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

MinerU2.5— Hol tudom letölteni?

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

MinerU2.5— 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.

MinerU2.5— 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: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

MinerU2.5— 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.

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