ADM TPS kalkulátor

Nyitott súlyok OpenAI 559M Paraméterek May 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 · Q8_0 · 66.0 tok/s

Leggyorsabb kártya

B200

6,061 tok/s · 180 GB

Melyik GPU képes futtatni ADM?

Állítsa be a bemeneteket, olvassa el a választ

Egy hosszabb beszélgetés több memóriaigényt támaszt, ami kiszoríthatja ezt a modellt a kisebb kártyákról..

Elrejti azokat a GPU-kártyákat, amelyek csak a modellbe illeszkednének a compressziójuk ezen pont alá..

818 kártyák illeszkednek

Számítás
Szükséges Kvantisálás Illeszkedik
6,061 tok/s

3,637–9,698 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.3 GB Q8_0 Kényelmes
6,061 tok/s

3,637–9,698 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.3 GB Q8_0 Kényelmes
4,840 tok/s

2,904–7,744 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Kényelmes
4,840 tok/s

2,904–7,744 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Kényelmes
3,871 tok/s

2,323–6,193 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.3 GB Q8_0 Kényelmes
3,705 tok/s

2,223–5,928 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Kényelmes
3,705 tok/s

2,223–5,928 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Kényelmes
3,546 tok/s

2,128–5,673 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.3 GB Q8_0 Kényelmes
3,147 tok/s

1,888–5,035 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Kényelmes
3,147 tok/s

1,888–5,035 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Kényelmes
3,147 tok/s

1,888–5,035 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Kényelmes
2,985 tok/s

1,791–4,776 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.3 GB Q8_0 Kényelmes
2,546 tok/s

1,527–4,073 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Kényelmes
2,546 tok/s

1,527–4,073 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.3 GB Q8_0 Kényelmes
2,546 tok/s

1,527–4,073 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Kényelmes
2,546 tok/s

1,527–4,073 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Kényelmes
2,546 tok/s

1,527–4,073 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Kényelmes
1,938 tok/s

1,163–3,101 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Kényelmes
1,938 tok/s

1,163–3,101 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Kényelmes
1,615 tok/s

969–2,585 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.3 GB Q8_0 Kényelmes
1,581 tok/s

949–2,529 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.3 GB Q8_0 Kényelmes
1,546 tok/s

927–2,473 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.3 GB Q8_0 Kényelmes
1,546 tok/s

927–2,473 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.3 GB Q8_0 Kényelmes
1,546 tok/s

927–2,473 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.3 GB Q8_0 Kényelmes
1,546 tok/s

927–2,473 · alacsony bizalom

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.3 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
OpenAI
Szervezet típusa
Industry
Ország
United States of America
Közölt
11 May 2021
Szerzők
Prafulla Dhariwal, Alex Nichol

Mit csinál

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

Tartomány
Image generation
Feladat
Image generation, Text-to-image
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
559M

Largest model is denoted ImageNet 512, has 559M parameters

Képzési adatok
130,191,200,000,000 tokens

Biggest models are trained on ImageNet 512x512. ImageNet ILSVRC has 1,281,167 images in the training set, but it is possible some were filtered due to size. Note that a smaller model was trained on LSUN {bedroom, horse, cat}, which forms a larger dataset: 3,033,042 + 2,000,340 + 1,657,266 = 6,690,648 images Epochs ≈ (1,940,000 * 256) / 1,300,000 ≈ 381 epochs

Epochok
381

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
6.2 × 10²¹ FLOP

Largest run with their architecture improvements is the ImageNet 512 variant. Table 7 suggests utilization is around 30% for largest models (though we only see 256 x 256 and 128 -> 512) Table 10: ImageNet 512 variant took 1914 V100-days of training 125e12 FLOP/sec * 1914 days * 24 h/day * 3600 sec/h * 0.3 = 6.2e21

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 V100
Számítási költség
$11,274

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 (non-commercial)
Képzés kód
Open source

These models are intended to be used for research purposes only. In particular, they can be used as a baseline for generative modeling research, or as a starting point to build off of for such research. These models are not intended to be commercially deployed. Additionally, they are not intended to be used to create propaganda or offensive imagery. repo is here with training code, MIT License https://github.com/openai/guided-diffusion

Hogyan van besorolva

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

Miért követik nyomon
Highly cited,SOTA improvement

"We show that diffusion models can achieve image sample quality superior to the current state-of-the-art generative models"

Nyilvántartási bizalom
Confident
Hivatkozások
11,766

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
Diffusion Models Beat GANs on Image Synthesis
Utoljára frissítve
25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni ADM

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 6,061 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 6,061 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,871 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,546 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 3,147 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 3,147 tok/s

A legkisebb GPU-k, amik még futnak ADM

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

  1. 01 GeForce RTX 4010 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 72.7 tok/s
  2. 02 RTX A400 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 72.7 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 97.0 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 145 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 25.8 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 75.6 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 85.1 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 75.6 tok/s
  9. 09 Arc A310 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 61.1 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 1.3 GB · Q8_0 · Kényelmes 63.0 tok/s

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Tesla C1080

Szükséges memória

1.3 GB

Leggyorsabb

6,061 tok/s

ADM eléri a paraméterek számát 559M. 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 legkisebb kártya, ami elbírja, az Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 66.0 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 6,061 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

ADM ki lett adva által OpenAI, az országban rögzítve mint United States of America, alatt May 2021. A kiadó szervezet a következő kategóriába tartozik industry.

Működik a területen a Image generation, és úgy van rögzítve, mint a feladat végrehajtása image generation, Text-to-image.

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

Milyen gyorsan fut, és miért

A kártyák felének, amelyek tartják, több mint 170.2 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 809 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 létrehozásához körülbelül összesítő aritmetikára volt szükség. 6.2 × 10²¹ FLOP, hardveren rögzítve NVIDIA V100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A tanító készlet kb. futott 130,191,200,000,000 szöveg tokenjei

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited,SOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a ADM

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

  1. 01

    Olvasd el a MEMORY adatokat először.

    Kezdj a tényleges szükségletekből, ami a követelményének a ADM, körülbelül szükséges 1.3 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.

  2. 02

    Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

    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. ADM.

  3. 03

    Válaszd ki, milyen messzire fogod tömöríteni.

    Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., 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.

  4. 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 ADM. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 6,061 tok/s

  5. 05

    Ellenőrizd a megfelelő ítéletet vásárlás előtt.

    A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében ADM. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.

  6. 06

    Nézd meg a kártyát a másik oldalról.

    Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy ADM.

Válaszok

ADM — gyakori kérdések

01

ADM— 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 1.3 GB és körülbelül generálás 1,129 másodpercenkénti tokenek. A illeszkedés kényelmes.

02

ADM— 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 1.3 GB és körülbelül generálás 691 másodpercenkénti tokenek. A illeszkedés kényelmes.

03

ADM— 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 1.3 GB és körülbelül generálás 856 másodpercenkénti tokenek. A illeszkedés kényelmes.

04

ADM— 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 1.3 GB és körülbelül generálás 1,015 másodpercenkénti tokenek. A illeszkedés kényelmes.

05

ADM— 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.

06

ADM— Hány paramétere van?

Paraméterszáma 559M. Largest model is denoted ImageNet 512, has 559M parameters. 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.

07

ADM— Ki készítette ezt?

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

08

ADM— Mikor adták ki?

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

09

ADM— Mire használják?

Működik a területen a Image generation, és rögzítve van, hogy kezeli a feladatot image generation, Text-to-image. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

10

ADM— Hol tudom letölteni?

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

11

ADM— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 6.2 × 10²¹ FLOP, hardveren rögzítve NVIDIA V100. 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.

12

ADM— 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.

13

ADM— 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.

14

ADM— miért különbözik a kvantálás a kártyák között?

Minden kártya a lehető legkevésbé tömörített másolatát futtatva jelenik meg, amit képes tárolni. A kártyákon elférő különböző tömörítési szintek száma: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

15

ADM— 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: 3,637–9,698 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

16

ADM— 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 1.3 GB, és körülbelül 66.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

17

ADM— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 6,061 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: 809.

18

ADM— mennyi VRAM-ra van szüksége?

Kb. 1.3 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.

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