InternImage TPS kalkulátor

Nyitott súlyok Shanghai AI Lab,Tsinghua University,Nanjing University,SenseTime,Chinese University of Hong Kong (CUHK) 1.1B Paraméterek November 2022

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 · 34.1 tok/s

Leggyorsabb kártya

B200

3,137 tok/s · 180 GB

Melyik GPU képes futtatni InternImage?

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
3,137 tok/s 1,882–5,020 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.9 GB	Q8_0	Kényelmes
3,137 tok/s 1,882–5,020 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.9 GB	Q8_0	Kényelmes
2,505 tok/s 1,503–4,008 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Kényelmes
2,505 tok/s 1,503–4,008 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Kényelmes
2,004 tok/s 1,202–3,206 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.9 GB	Q8_0	Kényelmes
1,918 tok/s 1,151–3,068 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Kényelmes
1,918 tok/s 1,151–3,068 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Kényelmes
1,835 tok/s 1,101–2,936 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.9 GB	Q8_0	Kényelmes
1,629 tok/s 977–2,606 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Kényelmes
1,629 tok/s 977–2,606 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Kényelmes
1,629 tok/s 977–2,606 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Kényelmes
1,545 tok/s 927–2,472 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.9 GB	Q8_0	Kényelmes
1,318 tok/s 791–2,108 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Kényelmes
1,318 tok/s 791–2,108 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.9 GB	Q8_0	Kényelmes
1,318 tok/s 791–2,108 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Kényelmes
1,318 tok/s 791–2,108 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Kényelmes
1,318 tok/s 791–2,108 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Kényelmes
1,003 tok/s 602–1,605 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Kényelmes
1,003 tok/s 602–1,605 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Kényelmes
836 tok/s 502–1,338 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.9 GB	Q8_0	Kényelmes
818 tok/s 491–1,309 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.9 GB	Q8_0	Kényelmes
800 tok/s 480–1,280 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.9 GB	Q8_0	Kényelmes
800 tok/s 480–1,280 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.9 GB	Q8_0	Kényelmes
800 tok/s 480–1,280 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.9 GB	Q8_0	Kényelmes
800 tok/s 480–1,280 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.9 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,Tsinghua University,Nanjing University,SenseTime,Chinese University of Hong Kong (CUHK)
Szervezet típusa: Academia,Academia,Academia,Industry,Academia
Ország: China, Hong Kong
Közölt: 10 November 2022
Szerzők: Wenhai Wang, Jifeng Dai, Zhe Chen, Zhenhang Huang, Zhiqi Li, Xizhou Zhu, Xiaowei Hu, Tong Lu, Lewei Lu, Hongsheng Li, Xiaogang Wang, Yu Qiao

Mit csinál

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

Tartomány: Vision
Feladat: Image classification, Object detection, Image segmentation
Numerikus formátum: FP16

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: 1.1B
Képzési adatok: 83,692,000,000 tokens
Epochok: 30

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: 2.4 × 10²¹ FLOP
Hogyan jött létre: Operation counting

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
Hugging Face: OpenGVLab

Hogyan van besorolva

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

Miért követik nyomon: SOTA improvement
Nyilvántartási bizalom: Confident
Hivatkozások: 1,087

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni InternImage

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 InternImage

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

1.9 GB

Leggyorsabb

3,137 tok/s

InternImage eléri a paraméterek számát 1.1B. 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: 818.

az alsó végén ezt kezelik Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 34.1 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 3,137 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

InternImage ki lett adva által Shanghai AI Lab,Tsinghua University,Nanjing University,SenseTime,Chinese University of Hong Kong (CUHK), az országban rögzítve mint China, alatt November 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia,Industry,Academia.

Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification, Object detection, Image segmentation.

A nyílt súlyok az okai annak, hogy ez az oldal a kalkulátorban van, és nem csak a katalógusban: ez egy olyan modell, amit valójában meg tudsz tartani. A Hugging Face-en az alábbi szervezet alatt van publikálva OpenGVLab.

A sebességek megértése

A medián eredmény körül 88.1 másodpercenkénti tokenek 799 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.

Képzés és származás

A betanításhoz körülbelül egy számítási költségvetés kellett 2.4 × 10²¹ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 83,692,000,000 szöveg tokenjei

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a InternImage

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 InternImage, körülbelül szükséges 1.9 GB a tömörítésnél Q8_0. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
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. InternImage.
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

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért InternImage. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 3,137 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben InternImage. 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 kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy InternImage.

Válaszok

InternImage — gyakori kérdések

InternImage— 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.

InternImage— Hány paramétere van?

Paraméterszáma 1.1B. 1.08B, table 1. 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.

InternImage— Ki készítette ezt?

Kiadta Shanghai AI Lab,Tsinghua University,Nanjing University,SenseTime,Chinese University of Hong Kong (CUHK), alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Industry,Academia.

InternImage— Mikor adták ki?

Kibocsátották a November 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

InternImage— Mire használják?

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

InternImage— Hol tudom letölteni?

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

InternImage— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2.4 × 10²¹ 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.

InternImage— Futtathatom, ha nem fér el a GPU-mban?

Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

InternImage— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

InternImage— 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.

InternImage— 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: 1,882–5,020 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

InternImage— 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 1.9 GB, és körülbelül 34.1 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

InternImage— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 3,137 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.

InternImage— mennyi VRAM-ra van szüksége?

Kb. 1.9 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.

InternImage— 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 1.9 GB és körülbelül generálás 584 másodpercenkénti tokenek. A illeszkedés kényelmes.

InternImage— 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 1.9 GB és körülbelül generálás 358 másodpercenkénti tokenek. A illeszkedés kényelmes.

InternImage— 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 1.9 GB és körülbelül generálás 443 másodpercenkénti tokenek. A illeszkedés kényelmes.

InternImage— 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 1.9 GB és körülbelül generálás 525 másodpercenkénti tokenek. A illeszkedés kényelmes.

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