Selfish-RNN (SNT-ASGD) Stacked LSTMs TPS kalkulátor

Nyitott súlyok Eindhoven University of Technology,University of Twente 25.2M Paraméterek January 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 · 1,463 tok/s

Leggyorsabb kártya

B200

134,454 tok/s · 180 GB

Melyik GPU képes futtatni Selfish-RNN (SNT-ASGD) Stacked LSTMs?

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
134,454 tok/s 80,672–215,126 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Kényelmes
134,454 tok/s 80,672–215,126 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Kényelmes
107,365 tok/s 64,419–171,784 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Kényelmes
107,365 tok/s 64,419–171,784 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Kényelmes
85,866 tok/s 51,519–137,385 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
82,185 tok/s 49,311–131,496 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Kényelmes
82,185 tok/s 49,311–131,496 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Kényelmes
78,655 tok/s 47,193–125,849 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Kényelmes
69,807 tok/s 41,884–111,691 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
69,807 tok/s 41,884–111,691 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
69,807 tok/s 41,884–111,691 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
66,218 tok/s 39,731–105,950 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
56,471 tok/s 33,882–90,353 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
56,471 tok/s 33,882–90,353 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Kényelmes
56,471 tok/s 33,882–90,353 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
56,471 tok/s 33,882–90,353 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
56,471 tok/s 33,882–90,353 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
42,998 tok/s 25,799–68,797 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Kényelmes
42,998 tok/s 25,799–68,797 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Kényelmes
35,832 tok/s 21,499–57,331 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
35,067 tok/s 21,040–56,108 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
34,286 tok/s 20,571–54,857 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Kényelmes
34,286 tok/s 20,571–54,857 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Kényelmes
34,286 tok/s 20,571–54,857 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Kényelmes
34,286 tok/s 20,571–54,857 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Eindhoven University of Technology,University of Twente
Szervezet típusa: Academia,Academia
Ország: Netherlands
Közölt: 22 January 2021
Szerzők: Shiwei Liu, Decebal Constantin Mocanu, Yulong Pei, Mykola Pechenizkiy

Mit csinál

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

Tartomány: Language
Feladat: Language modeling

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: 25.2M
Képzési adatok: 912,344 tokens
Epochok: 100

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: 1.2 × 10¹⁶ FLOP
Hogyan jött létre: Reported,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 (non-commercial)
Képzés kód: Open (non-commercial)

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 43
Benchmark adatok: Selfish-RNN (SNT-ASGD) Stacked LSTMs

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Selfish Sparse RNN Training
Utoljára frissítve: 11 February 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs

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

Tesla C1080

Szükséges memória

0.7 GB

Leggyorsabb

134,454 tok/s

Selfish-RNN (SNT-ASGD) Stacked LSTMs eléri a paraméterek számát 25.2M. 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 1,463 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 134,454 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Selfish-RNN (SNT-ASGD) Stacked LSTMs ki lett adva által Eindhoven University of Technology,University of Twente, az országban rögzítve mint Netherlands, alatt January 2021. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia.

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

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 sebességek megértése

A kártyák felének, amelyek tartják, több mint 3,775.5 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 818 tőlük

A sűrűsége miatt minden egyes tokent önállóan olvas, ezért a sebesség szerinti rendezés alább annyira közel követi a memória sávszélesség szerinti rendezést.

Itt a memória méret alapján van megbecsülve, nem pedig az architektúrából számítva, amely nincs rögzítve ennél a modellnél — a számok tájékoztató jellegűek, nem pontosak.

Hogyan lett betanítva

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.2 × 10¹⁶ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A tanító készlet kb. futott 912,344 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a Selfish-RNN (SNT-ASGD) Stacked LSTMs

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs, körülbelül szükséges 0.7 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
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. Selfish-RNN (SNT-ASGD) Stacked LSTMs.
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 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

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 Selfish-RNN (SNT-ASGD) Stacked LSTMs. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 134,454 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Selfish-RNN (SNT-ASGD) Stacked LSTMs. 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 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. Selfish-RNN (SNT-ASGD) Stacked LSTMs.

Válaszok

Selfish-RNN (SNT-ASGD) Stacked LSTMs — gyakori kérdések

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB, és körülbelül 1,463 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 134,454 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: 818.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— mennyi VRAM-ra van szüksége?

Kb. 0.7 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB és körülbelül generálás 25,042 másodpercenkénti tokenek. A illeszkedés kényelmes.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB és körülbelül generálás 15,334 másodpercenkénti tokenek. A illeszkedés kényelmes.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB és körülbelül generálás 18,992 másodpercenkénti tokenek. A illeszkedés kényelmes.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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 0.7 GB és körülbelül generálás 22,521 másodpercenkénti tokenek. A illeszkedés kényelmes.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Hány paramétere van?

Paraméterszáma 25.2M. 25.2M (Table 2). 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Ki készítette ezt?

Kiadta Eindhoven University of Technology,University of Twente, alapján Netherlands, egy szervezet, amelyet kategorizáltak mint academia,Academia.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Mikor adták ki?

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

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— Hol tudom letölteni?

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

Selfish-RNN (SNT-ASGD) Stacked LSTMs— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.2 × 10¹⁶ 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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.

Selfish-RNN (SNT-ASGD) Stacked LSTMs— 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: 80,672–215,126 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 11 February 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