Swin Transformer V2 (SwinV2-G) TPS kalkulátor

Nyitott súlyok Microsoft Research Asia 3B Paraméterek November 2021

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 · Q6_K · 17.9 tok/s

Leggyorsabb kártya

B200

1,129 tok/s · 180 GB

Melyik GPU képes futtatni Swin Transformer V2 (SwinV2-G)?

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
1,129 tok/s 678–1,807 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.9 GB	Q8_0	Kényelmes
1,129 tok/s 678–1,807 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.9 GB	Q8_0	Kényelmes
902 tok/s 541–1,443 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.9 GB	Q8_0	Kényelmes
902 tok/s 541–1,443 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.9 GB	Q8_0	Kényelmes
721 tok/s 433–1,154 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.9 GB	Q8_0	Kényelmes
690 tok/s 414–1,105 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.9 GB	Q8_0	Kényelmes
690 tok/s 414–1,105 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.9 GB	Q8_0	Kényelmes
661 tok/s 396–1,057 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.9 GB	Q8_0	Kényelmes
586 tok/s 352–938 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Kényelmes
586 tok/s 352–938 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Kényelmes
586 tok/s 352–938 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Kényelmes
556 tok/s 334–890 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.9 GB	Q8_0	Kényelmes
474 tok/s 285–759 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Kényelmes
474 tok/s 285–759 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.9 GB	Q8_0	Kényelmes
474 tok/s 285–759 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Kényelmes
474 tok/s 285–759 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Kényelmes
474 tok/s 285–759 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Kényelmes
361 tok/s 217–578 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.9 GB	Q8_0	Kényelmes
361 tok/s 217–578 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.9 GB	Q8_0	Kényelmes
301 tok/s 181–482 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.9 GB	Q8_0	Kényelmes
295 tok/s 177–471 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.9 GB	Q8_0	Kényelmes
288 tok/s 173–461 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.9 GB	Q8_0	Kényelmes
288 tok/s 173–461 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.9 GB	Q8_0	Kényelmes
288 tok/s 173–461 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.9 GB	Q8_0	Kényelmes
288 tok/s 173–461 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.9 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: Microsoft Research Asia
Szervezet típusa: Industry
Ország: China
Közölt: 18 November 2021
Szerzők: Ze Liu, Han Hu, Yutong Lin, Zhuliang Yao, Zhenda Xie, Yixuan Wei, Jia Ning, Yue Cao, Zheng Zhang, Li Dong, Furu Wei, Baining Guo

Mit csinál

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

Tartomány: Vision, Video
Feladat: Action recognition, Image classification

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: 3B
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.

Képzés számítás: 1.1 × 10²¹ 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 40 GB
Számítási költség: $2,327

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,Highly cited
Nyilvántartási bizalom: Confident
Hivatkozások: 2,736

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Swin Transformer V2: Scaling Up Capacity and Resolution
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Swin Transformer V2 (SwinV2-G)

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 Swin Transformer V2 (SwinV2-G)

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

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

Tesla C1080

Szükséges memória

3.2 GB

Leggyorsabb

1,129 tok/s

Swin Transformer V2 (SwinV2-G) eléri a paraméterek számát 3B. 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 legkevesebb hardver, ami működik, az Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q6_K és körülbelül előállítva 17.9 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 1,129 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

Swin Transformer V2 (SwinV2-G) ki lett adva által Microsoft Research Asia, az országban rögzítve mint China, alatt November 2021. A kiadó kategóriája alá tartozik industry.

Működik a területen a Vision, Video, és úgy van rögzítve, mint a feladat végrehajtása action recognition, Image classification.

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

Mi dönti el a sebességet

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 35.8 másodpercenkénti tokenek 780 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.

Mi került a felépítésébe

A betanításhoz körülbelül egy számítási költségvetés kellett 1.1 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 40 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A kiválasztási kritériuma: sOTA improvement,Highly cited.

Lépésről lépésre

Hogyan válasszunk GPU-t a Swin Transformer V2 (SwinV2-G)

A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..

01

Kezdj a GPU VRAM oszloptól.

Minden kártyát itt leellenőriztünk a következőkkel szemben Swin Transformer V2 (SwinV2-G), körülbelül szükséges 3.2 GB a tömörítésnél Q6_K. 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. Swin Transformer V2 (SwinV2-G).
03

Állítsa be a minőségi minimumot

A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., elérni egy tömörítést a Q6_K 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. Swin Transformer V2 (SwinV2-G). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 1,129 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében Swin Transformer V2 (SwinV2-G). 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. Swin Transformer V2 (SwinV2-G).

Válaszok

Swin Transformer V2 (SwinV2-G) — gyakori kérdések

Swin Transformer V2 (SwinV2-G)— Mikor adták ki?

Kibocsátották a November 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

Swin Transformer V2 (SwinV2-G)— Mire használják?

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

Swin Transformer V2 (SwinV2-G)— Hol tudom letölteni?

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

Swin Transformer V2 (SwinV2-G)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.1 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 40 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.

Swin Transformer V2 (SwinV2-G)— 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.

Swin Transformer V2 (SwinV2-G)— 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.

Swin Transformer V2 (SwinV2-G)— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 2. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Swin Transformer V2 (SwinV2-G)— 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: 678–1,807 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Swin Transformer V2 (SwinV2-G)— 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. Q6_K használva körülbelül 3.2 GB, és körülbelül 17.9 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Swin Transformer V2 (SwinV2-G)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 1,129 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: 780.

Swin Transformer V2 (SwinV2-G)— mennyi VRAM-ra van szüksége?

Kb. 3.2 GB tömörítési arányban Q6_K, 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.

Swin Transformer V2 (SwinV2-G)— 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 3.9 GB és körülbelül generálás 210 másodpercenkénti tokenek. A illeszkedés kényelmes.

Swin Transformer V2 (SwinV2-G)— 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 3.9 GB és körülbelül generálás 129 másodpercenkénti tokenek. A illeszkedés kényelmes.

Swin Transformer V2 (SwinV2-G)— 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 3.9 GB és körülbelül generálás 160 másodpercenkénti tokenek. A illeszkedés kényelmes.

Swin Transformer V2 (SwinV2-G)— 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 3.9 GB és körülbelül generálás 189 másodpercenkénti tokenek. A illeszkedés kényelmes.

Swin Transformer V2 (SwinV2-G)— 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.

Swin Transformer V2 (SwinV2-G)— Hány paramétere van?

Paraméterszáma 3B. 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.

Swin Transformer V2 (SwinV2-G)— Ki készítette ezt?

Kiadta Microsoft Research Asia, alapján China, egy szervezet, amelyet kategorizáltak mint industry.

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