EVA-CLIP (EVA-02-CLIP-E/14+) TPS kalkulátor

Nyitott súlyok Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology 5B Paraméterek March 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

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · IQ4_XS · 18.1 tok/s

Leggyorsabb kártya

B200

678 tok/s · 180 GB

Melyik GPU képes futtatni EVA-CLIP (EVA-02-CLIP-E/14+)?

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
678 tok/s 407–1,084 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	6.1 GB	Q8_0	Kényelmes
678 tok/s 407–1,084 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	6.1 GB	Q8_0	Kényelmes
541 tok/s 325–866 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	6.1 GB	Q8_0	Kényelmes
541 tok/s 325–866 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	6.1 GB	Q8_0	Kényelmes
433 tok/s 260–692 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	6.1 GB	Q8_0	Kényelmes
414 tok/s 249–663 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.1 GB	Q8_0	Kényelmes
414 tok/s 249–663 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.1 GB	Q8_0	Kényelmes
396 tok/s 238–634 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	6.1 GB	Q8_0	Kényelmes
352 tok/s 211–563 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Kényelmes
352 tok/s 211–563 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Kényelmes
352 tok/s 211–563 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	6.1 GB	Q8_0	Kényelmes
334 tok/s 200–534 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	6.1 GB	Q8_0	Kényelmes
285 tok/s 171–455 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Kényelmes
285 tok/s 171–455 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	6.1 GB	Q8_0	Kényelmes
285 tok/s 171–455 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Kényelmes
285 tok/s 171–455 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Kényelmes
285 tok/s 171–455 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	6.1 GB	Q8_0	Kényelmes
217 tok/s 130–347 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	6.1 GB	Q8_0	Kényelmes
217 tok/s 130–347 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	6.1 GB	Q8_0	Kényelmes
181 tok/s 108–289 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	6.1 GB	Q8_0	Kényelmes
177 tok/s 106–283 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	6.1 GB	Q8_0	Kényelmes
173 tok/s 104–276 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	6.1 GB	Q8_0	Kényelmes
173 tok/s 104–276 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	6.1 GB	Q8_0	Kényelmes
173 tok/s 104–276 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	6.1 GB	Q8_0	Kényelmes
173 tok/s 104–276 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	6.1 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: Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology
Szervezet típusa: Academia,Academia
Ország: China
Közölt: 27 March 2023
Szerzők: Quan Sun, Yuxin Fang, Ledell Wu, Xinlong Wang, Yue Cao

Mit csinál

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

Tartomány: Vision
Feladat: Image classification
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: 5B
Képzési adatok: tokens
Tételméret: 144,000

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: 3.5 × 10²² FLOP
Hogyan jött létre: Operation counting

A tréning futás

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

Képzési hardver: NVIDIA RTX A1000
Használt chipek: 144
Teljesítményfogyasztás: 17.2 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: Unreleased
Hugging Face: QuanSun

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: EVA-CLIP: Improved Training Techniques for CLIP at Scale
Utoljára frissítve: 11 February 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni EVA-CLIP (EVA-02-CLIP-E/14+)

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 EVA-CLIP (EVA-02-CLIP-E/14+)

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 C1080

Szükséges memória

3.4 GB

Leggyorsabb

678 tok/s

EVA-CLIP (EVA-02-CLIP-E/14+) eléri a paraméterek számát 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: 818.

az alsó végén ezt kezelik Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 18.1 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 678 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

EVA-CLIP (EVA-02-CLIP-E/14+) ki lett adva által Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology, az országban rögzítve mint China, alatt March 2023. A kiadó kategóriája alá tartozik academia,Academia.

Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification.

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 QuanSun.

Milyen gyorsan fut, és miért

A medián eredmény körül 27.1 másodpercenkénti tokenek 771 tőlük

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

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.

Képzés és származás

A képzés futás körülbelül 3.5 × 10²² FLOP, hardveren rögzítve NVIDIA RTX A1000. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Lépésről lépésre

Hogyan válasszunk GPU-t a EVA-CLIP (EVA-02-CLIP-E/14+)

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 EVA-CLIP (EVA-02-CLIP-E/14+), körülbelül szükséges 3.4 GB a tömörítésnél IQ4_XS. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
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. EVA-CLIP (EVA-02-CLIP-E/14+).
03

Állítsa be a minőségi minimumot

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

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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. EVA-CLIP (EVA-02-CLIP-E/14+). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 678 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 EVA-CLIP (EVA-02-CLIP-E/14+). 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. EVA-CLIP (EVA-02-CLIP-E/14+).

Válaszok

EVA-CLIP (EVA-02-CLIP-E/14+) — gyakori kérdések

EVA-CLIP (EVA-02-CLIP-E/14+)— Hol tudom letölteni?

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

EVA-CLIP (EVA-02-CLIP-E/14+)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 3.5 × 10²² FLOP, hardveren rögzítve NVIDIA RTX A1000. 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— Futtatna-e két GPU gyorsabban?

Egy második Kártya körülbelül megduplázza a rendelkezésre álló MEMÓRIÁT, de nem a generálási sebességet. A szám, amely már képes egyedül futtatni: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— Mennyire pontosak ezek a sebességbecslések?

Ezek becslések valós hibahatárokkal, és bármelyikük ésszerűen bárhol elhelyezkedhet a közzétett tartományán belül, attól függően, hogy milyen futtatási időt használsz. A leggyorsabb eredmény itt: 407–1,084 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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. IQ4_XS használva körülbelül 3.4 GB, és körülbelül 18.1 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

EVA-CLIP (EVA-02-CLIP-E/14+)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 678 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: 771.

EVA-CLIP (EVA-02-CLIP-E/14+)— mennyi VRAM-ra van szüksége?

Kb. 3.4 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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 6.1 GB és körülbelül generálás 126 tokensek másodpercenként. A fit szoros.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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 6.1 GB és körülbelül generálás 77.3 másodpercenkénti tokenek. A illeszkedés kényelmes.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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 6.1 GB és körülbelül generálás 95.7 másodpercenkénti tokenek. A illeszkedés kényelmes.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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 6.1 GB és körülbelül generálás 114 másodpercenkénti tokenek. A illeszkedés kényelmes.

EVA-CLIP (EVA-02-CLIP-E/14+)— 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— Hány paramétere van?

Paraméterszáma 5B. 5b (table 1(a)) image parameters: 4.4B text parameters: 695M. 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.

EVA-CLIP (EVA-02-CLIP-E/14+)— Ki készítette ezt?

Kiadta Beijing Academy of Artificial Intelligence / BAAI,Huazhong University of Science and Technology, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia.

EVA-CLIP (EVA-02-CLIP-E/14+)— Mikor adták ki?

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

EVA-CLIP (EVA-02-CLIP-E/14+)— Mire használják?

Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

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