NLLB TPS kalkulátor

Nyitott súlyok Meta AI 54.5B Paraméterek July 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

92 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

FirePro S9170

32 GB · Q3_K_M · 5.2 tok/s

Leggyorsabb kártya

B200

62.2 tok/s · 180 GB

Melyik GPU képes futtatni NLLB?

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.

92 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
62.2 tok/s 37–99 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	59.0 GB	Q8_0	Kényelmes
62.2 tok/s 37–99 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	59.0 GB	Q8_0	Kényelmes
49.6 tok/s 30–79 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	59.0 GB	Q8_0	Kényelmes
49.6 tok/s 30–79 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	59.0 GB	Q8_0	Kényelmes
39.7 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	59.0 GB	Q8_0	Kényelmes
39.2 tok/s 24–63 · alacsony bizalom	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.3 GB	Q3_K_M	Szoros
39.2 tok/s 24–63 · alacsony bizalom	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.3 GB	Q3_K_M	Szoros
38.0 tok/s 23–61 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	59.0 GB	Q8_0	Kényelmes
38.0 tok/s 23–61 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	59.0 GB	Q8_0	Kényelmes
37.5 tok/s 23–60 · alacsony bizalom	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.3 GB	Q3_K_M	Szoros
37.5 tok/s 23–60 · alacsony bizalom	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.3 GB	Q3_K_M	Szoros
36.4 tok/s 22–58 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	59.0 GB	Q8_0	Kényelmes
32.3 tok/s 19–52 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Kényelmes
32.3 tok/s 19–52 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Kényelmes
32.3 tok/s 19–52 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Kényelmes
30.6 tok/s 18–49 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	59.0 GB	Q8_0	Kényelmes
28.0 tok/s 17–45 · alacsony bizalom	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.7 GB	Q4_K_M	Szoros
28.0 tok/s 17–45 · alacsony bizalom	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.7 GB	Q4_K_M	Szoros
28.0 tok/s 17–45 · alacsony bizalom	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.7 GB	Q4_K_M	Szoros
26.1 tok/s 16–42 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Kényelmes
26.1 tok/s 16–42 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	59.0 GB	Q8_0	Kényelmes
26.1 tok/s 16–42 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Kényelmes
26.1 tok/s 16–42 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Kényelmes
26.1 tok/s 16–42 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Kényelmes
26.0 tok/s 16–42 · alacsony bizalom	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	40.0 GB	Q5_K_M	Szoros

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: Meta AI
Szervezet típusa: Industry
Ország: United States of America
Közölt: 6 July 2022
Szerzők: Marta R. Costa-jussà, James Cross, Onur Çelebi, Maha Elbayad, Kenneth Heafield, Kevin Heffernan, Elahe Kalbassi, Janice Lam, Daniel Licht, Jean Maillard, Anna Sun, Skyler Wang, Guillaume Wenzek, Al Youngblood, Bapi Akula, Loic Barrault, Gabriel Mejia Gonzalez, Prangthip Hansanti, John Hoffman, Semarley Jarrett, Kaushik Ram Sadagopan, Dirk Rowe, Shannon Spruit, Chau Tran, Pierre Andrews, Necip Fazi…

Mit csinál

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

Tartomány: Language
Feladat: Translation
Megközelítés: Self-supervised learning
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: 54.5B
Képzési adatok: 300,000,000,000 tokens
Tételméret: 1,000,000

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: 1.8 × 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 A100 SXM4 80 GB
Chip-óra: 59,168
Számítási költség: $50,667

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.

Miért követik nyomon: SOTA improvement
Nyilvántartási bizalom: Confident
Hivatkozások: 1,569

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: No Language Left Behind: Scaling Human-Centered Machine Translation
Utoljára frissítve: 1 January 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni NLLB

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 NLLB

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

FirePro S9170

Szükséges memória

27.3 GB

Leggyorsabb

62.2 tok/s

NLLB eléri a paraméterek számát 54.5B. Ez a tartományba esik, amelyet egy komoly asztali KÁRTYA kezelni tud, miután a súlyok tömörítve vannak. Azoknak a KÁRTYÁKNAK a száma, amelyeket nyomon követünk, és amelyek képesek futtatni: 92.

A belépési pont a FirePro S9170, memória kapacitással rendelkezik 32 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 5.2 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 62.2 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

NLLB ki lett adva által Meta AI, az országban rögzítve mint United States of America, alatt July 2022. A kiadó kategóriája alá tartozik industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása translation.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.

Milyen gyorsan fut, és miért

A medián eredmény körül 15.9 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 72 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.

Hogyan lett betanítva

A képzés futás körülbelül 1.8 × 10²² FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 300,000,000,000 szöveg tokenjei

A kiválasztási kritériuma: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a NLLB

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 NLLB, körülbelül szükséges 27.3 GB a tömörítésnél Q3_K_M. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
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. NLLB.
03

Válaszd ki, milyen messzire fogod tömöríteni.

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

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 NLLB. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 62.2 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben NLLB. 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.

Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. NLLB.

Válaszok

NLLB — gyakori kérdések

NLLB— Hány paramétere van?

Paraméterszáma 54.5B. Section 8.2.4: "The model has a total of 54.5B parameters and FLOPs similar to that of a 3.3B dense model". 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.

NLLB— Ki készítette ezt?

Kiadta Meta AI, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.

NLLB— Mikor adták ki?

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

NLLB— Mire használják?

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

NLLB— Hol tudom letölteni?

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

NLLB— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.8 × 10²² FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 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.

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

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. A legközelebbi hiba, amit számítunk, alulmúlja 8.5 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

NLLB— 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: 92. Tehát egy második KÁRTYA ritkán a megoldás itt.

NLLB— 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: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

NLLB— 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: 37–99 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

NLLB— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az FirePro S9170, memória kapacitással rendelkezik 32 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 27.3 GB, és körülbelül 5.2 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 92.

NLLB— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 62.2 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: 72.

NLLB— mennyi VRAM-ra van szüksége?

Kb. 27.3 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.

NLLB— 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.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 1 January 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