Flan T5-XXL + BLIP-2 TPS kalkulátor

Nyitott súlyok Salesforce Research 12.1B Paraméterek January 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

509 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 5110P

8 GB · Q3_K_M · 19.7 tok/s

Leggyorsabb kártya

B200

280 tok/s · 180 GB

Melyik GPU képes futtatni Flan T5-XXL + BLIP-2?

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.

509 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
280 tok/s 168–448 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	13.7 GB	Q8_0	Kényelmes
280 tok/s 168–448 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	13.7 GB	Q8_0	Kényelmes
224 tok/s 134–358 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	13.7 GB	Q8_0	Kényelmes
224 tok/s 134–358 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	13.7 GB	Q8_0	Kényelmes
179 tok/s 107–286 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	13.7 GB	Q8_0	Kényelmes
171 tok/s 103–274 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.7 GB	Q8_0	Kényelmes
171 tok/s 103–274 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.7 GB	Q8_0	Kényelmes
164 tok/s 98–262 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	13.7 GB	Q8_0	Kényelmes
145 tok/s 87–233 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	13.7 GB	Q8_0	Kényelmes
145 tok/s 87–233 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	13.7 GB	Q8_0	Kényelmes
145 tok/s 87–233 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	13.7 GB	Q8_0	Kényelmes
141 tok/s 84–225 · alacsony bizalom	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.6 GB	Q3_K_M	Szoros
138 tok/s 83–221 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	13.7 GB	Q8_0	Kényelmes
126 tok/s 76–202 · alacsony bizalom	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.0 GB	Q4_K_M	Szoros
118 tok/s 71–188 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.7 GB	Q8_0	Kényelmes
118 tok/s 71–188 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	13.7 GB	Q8_0	Kényelmes
118 tok/s 71–188 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	13.7 GB	Q8_0	Kényelmes
118 tok/s 71–188 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.7 GB	Q8_0	Kényelmes
118 tok/s 71–188 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	13.7 GB	Q8_0	Kényelmes
89.6 tok/s 54–143 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	13.7 GB	Q8_0	Kényelmes
89.6 tok/s 54–143 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	13.7 GB	Q8_0	Kényelmes
74.6 tok/s 45–119 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	13.7 GB	Q8_0	Kényelmes
73.0 tok/s 44–117 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	13.7 GB	Q8_0	Kényelmes
72.5 tok/s 44–116 · alacsony bizalom	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.6 GB	Q3_K_M	Szoros
71.4 tok/s 43–114 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	13.7 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: Salesforce Research
Szervezet típusa: Industry
Ország: United States of America
Közölt: 30 January 2023
Szerzők: Junnan Li, Dongxu Li, Silvio Savarese, Steven Hoi

Mit csinál

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

Tartomány: Multimodal, Language, Vision
Feladat: Vision-language generation, Chat, Visual question answering
Alapmodell: Flan-T5 11B
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: 12.1B
Képzési adatok: 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.

Finomhangolás számítás: 1.2 × 10²¹ FLOP

A tréning futás

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

Képzési hardver: NVIDIA A100 SXM4 40 GB
Fali óra idő: 200 hours (8.3 days)
Számítási költség: $99,690

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

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 8,019

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Flan T5-XXL + BLIP-2

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 Flan T5-XXL + BLIP-2

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

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Xeon Phi 5110P

Szükséges memória

6.6 GB

Leggyorsabb

280 tok/s

Flan T5-XXL + BLIP-2 eléri a paraméterek számát 12.1B. 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: 509.

A legkisebb kártya, ami elbírja, az Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 19.7 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 280 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Flan T5-XXL + BLIP-2 ki lett adva által Salesforce Research, az országban rögzítve mint United States of America, alatt January 2023. A kiadó kategóriája alá tartozik industry.

Működik a területen a Multimodal, Language, Vision, és úgy van rögzítve, mint a feladat végrehajtása vision-language generation, Chat, Visual question answering.

A kiindulópontja egy meglévő alapmodell volt, Flan-T5 11B. 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 sebességek megértése

A medián eredmény körül 21.1 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 455 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.

Lépésről lépésre

Hogyan válasszunk GPU-t a Flan T5-XXL + BLIP-2

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.

A táblázat felsorolja az összes kártyát, amely képes tartani Flan T5-XXL + BLIP-2, körülbelül szükséges 6.6 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Illeszd a kontextust a tényleges használatodhoz.

Állítsa be a kontextust arra, amit valójában használni fog. A cache a beszélgetéssel nő, és ez a szokásos oka annak, hogy egy kártya, amelynek korábban rendben kellett volna lennie, egyszer csak nem fér el. Flan T5-XXL + BLIP-2.
03

Döntsd el, mennyi tömörítést fogadsz el.

A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., 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

Rendezés sebesség szerint

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Flan T5-XXL + BLIP-2. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 280 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Flan T5-XXL + BLIP-2. 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 kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy Flan T5-XXL + BLIP-2.

Válaszok

Flan T5-XXL + BLIP-2 — gyakori kérdések

Flan T5-XXL + BLIP-2— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 509. Tehát egy második KÁRTYA ritkán a megoldás itt.

Flan T5-XXL + BLIP-2— miért különbözik a kvantálás a kártyák között?

Mivel a kapacitás változik, úgy az is, hogy mennyire kell összenyomni. A fenti táblázatban lévő különböző szintek száma: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Flan T5-XXL + BLIP-2— 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: 168–448 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Flan T5-XXL + BLIP-2— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 6.6 GB, és körülbelül 19.7 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 509.

Flan T5-XXL + BLIP-2— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 280 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: 455.

Flan T5-XXL + BLIP-2— mennyi VRAM-ra van szüksége?

Kb. 6.6 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.

Flan T5-XXL + BLIP-2— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q3_K_M, használva körülbelül 6.6 GB és körülbelül generálás 141 tokensek másodpercenként. A fit szoros.

Flan T5-XXL + BLIP-2— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q5_K_M, használva körülbelül 9.4 GB és körülbelül generálás 57.0 tokensek másodpercenként. A fit szoros.

Flan T5-XXL + BLIP-2— 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 13.7 GB és körülbelül generálás 39.6 tokensek másodpercenként. A fit szoros.

Flan T5-XXL + BLIP-2— 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 13.7 GB és körülbelül generálás 46.9 másodpercenkénti tokenek. A illeszkedés kényelmes.

Flan T5-XXL + BLIP-2— 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.

Flan T5-XXL + BLIP-2— Hány paramétere van?

Paraméterszáma 12.1B. 12.1B, per Table 2. only 108M trainable params (i.e. params trained during the BLIP process). 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.

Flan T5-XXL + BLIP-2— Ki készítette ezt?

Kiadta Salesforce Research, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.

Flan T5-XXL + BLIP-2— Mikor adták ki?

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

Flan T5-XXL + BLIP-2— Mire használják?

Működik a területen a Multimodal, Language, Vision, és rögzítve van, hogy kezeli a feladatot vision-language generation, Chat, Visual question answering. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Flan T5-XXL + BLIP-2— Hol tudom letölteni?

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

Flan T5-XXL + BLIP-2— 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 2.6 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

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