CLIP (ViT L/14@336px) TPS kalkulátor

Nyitott súlyok OpenAI 370M 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 · 99.6 tok/s

Leggyorsabb kártya

B200

9,157 tok/s · 180 GB

Melyik GPU képes futtatni CLIP (ViT L/14@336px)?

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
9,157 tok/s

5,494–14,652 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Kényelmes
9,157 tok/s

5,494–14,652 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Kényelmes
7,312 tok/s

4,387–11,700 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
7,312 tok/s

4,387–11,700 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
5,848 tok/s

3,509–9,357 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
5,597 tok/s

3,358–8,956 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
5,597 tok/s

3,358–8,956 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
5,357 tok/s

3,214–8,571 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Kényelmes
4,754 tok/s

2,853–7,607 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,754 tok/s

2,853–7,607 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,754 tok/s

2,853–7,607 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,510 tok/s

2,706–7,216 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,846 tok/s

2,308–6,154 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,846 tok/s

2,308–6,154 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Kényelmes
3,846 tok/s

2,308–6,154 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,846 tok/s

2,308–6,154 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,846 tok/s

2,308–6,154 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
2,929 tok/s

1,757–4,686 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,929 tok/s

1,757–4,686 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,440 tok/s

1,464–3,905 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,388 tok/s

1,433–3,821 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,335 tok/s

1,401–3,736 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Kényelmes
2,335 tok/s

1,401–3,736 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Kényelmes
2,335 tok/s

1,401–3,736 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Kényelmes
2,335 tok/s

1,401–3,736 · alacsony bizalom

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
5 January 2021
Szerzők
Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger, Ilya Sutskever

Mit csinál

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

Tartomány
Multimodal, Vision, Language, Video
Feladat
Zero-shot image classification, Character recognition (OCR), Video description
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
370M

Image encoder Vision Transformer Table 1 in https://arxiv.org/pdf/2010.11929.pdf Authors fine-tuned ViT L/14 at additional 336px resolution, hence the @336 (See ViT) 307M params Text encoder ~Transformer (from paper) 63M params

Képzési adatok
400,000,000 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 × 10²² FLOP

https://docs.google.com/document/d/156miAJkFN9DDX06C3s03UDsretCtymCKiGDddLBCgQE/edit?usp=sharing

Hogyan jött létre
Third-party estimation

A tréning futás

Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.

Képzési hardver
NVIDIA V100
Használt chipek
256
Fali óra idő
288 hours (12 days)

“The largest ResNet model, RN50x64, took 18 days to train on 592 V100 GPUs while the largest Vision Transformer took 12 days on 256 V100 GPUs”

Teljesítményfogyasztás
155.9 kW
Számítási költség
$24,639

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
Unreleased

MIT License https://github.com/OpenAI/CLIP

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

"The best-performing CLIP model, using ViT-L/14 archiecture and 336-by-336 pixel images, achieved the state of the art in 21 of the 27 datasets, i.e. included in the Clopper-Pearson 99.5% confidence interval around each dataset’s top score. " "On STL10, CLIP achieves 99.3% overall which appears to be a new state of the art despite not using any training examples. "

Nyilvántartási bizalom
Confident
Hivatkozások
48,743

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
Learning Transferable Visual Models From Natural Language Supervision
Utoljára frissítve
25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni CLIP (ViT L/14@336px)

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 9,157 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 9,157 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 7,312 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 7,312 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,848 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 5,597 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 5,597 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,357 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,754 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,754 tok/s

A legkisebb GPU-k, amik még futnak CLIP (ViT L/14@336px)

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 1.1 GB · Q8_0 · Kényelmes 110 tok/s
  2. 02 RTX A400 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 110 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 147 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 220 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 39.0 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 114 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 129 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 114 tok/s
  9. 09 Arc A310 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 92.3 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 95.2 tok/s

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Tesla C1080

Szükséges memória

1.1 GB

Leggyorsabb

9,157 tok/s

CLIP (ViT L/14@336px) eléri a paraméterek számát 370M. 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 99.6 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 9,157 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

CLIP (ViT L/14@336px) ki lett adva által OpenAI, az országban rögzítve mint United States of America, alatt January 2021. A kiadó kategóriája alá tartozik industry.

Működik a területen a Multimodal, Vision, Language, Video, és úgy van rögzítve, mint a feladat végrehajtása zero-shot image classification, Character recognition (OCR), Video description.

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

Milyen gyorsan fut, és miért

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 257.1 másodpercenkénti tokenek 817 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. 1 × 10²² 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 képzés körülbelül egy korpuszt fogyasztott 400,000,000 szöveg tokenjei

Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited,SOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a CLIP (ViT L/14@336px)

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

  1. 01

    Nézd meg, mire van szüksége, mielőtt bármi mást tennél.

    Minden kártyát itt leellenőriztünk a következőkkel szemben CLIP (ViT L/14@336px), körülbelül szükséges 1.1 GB a tömörítésnél Q8_0. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.

  2. 02

    Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

    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. CLIP (ViT L/14@336px).

  3. 03

    Állítsa be a minőségi minimumot

    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

    Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.

    A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért CLIP (ViT L/14@336px). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 9,157 tok/s

  5. 05

    Nézd a mozgásteret, ne csak a passzolást.

    Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében CLIP (ViT L/14@336px). 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 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. CLIP (ViT L/14@336px).

Válaszok

CLIP (ViT L/14@336px) — gyakori kérdések

01

CLIP (ViT L/14@336px)— Hány paramétere van?

Paraméterszáma 370M. Image encoder Vision Transformer Table 1 in https://arxiv.org/pdf/2010.11929.pdf Authors fine-tuned ViT L/14 at additional 336px resolution, hence the @336 (See ViT) 307M params Text encoder ~Transformer (from paper) 63M params. 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.

02

CLIP (ViT L/14@336px)— Ki készítette ezt?

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

03

CLIP (ViT L/14@336px)— 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.

04

CLIP (ViT L/14@336px)— Mire használják?

Működik a területen a Multimodal, Vision, Language, Video, és rögzítve van, hogy kezeli a feladatot zero-shot image classification, Character recognition (OCR), Video description. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

05

CLIP (ViT L/14@336px)— Hol tudom letölteni?

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

06

CLIP (ViT L/14@336px)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1 × 10²² 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.

07

CLIP (ViT L/14@336px)— 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.

08

CLIP (ViT L/14@336px)— 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.

09

CLIP (ViT L/14@336px)— 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: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

10

CLIP (ViT L/14@336px)— 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: 5,494–14,652 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

11

CLIP (ViT L/14@336px)— 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 1.1 GB, és körülbelül 99.6 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

12

CLIP (ViT L/14@336px)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 9,157 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: 817.

13

CLIP (ViT L/14@336px)— mennyi VRAM-ra van szüksége?

Kb. 1.1 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.

14

CLIP (ViT L/14@336px)— 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 1.1 GB és körülbelül generálás 1,706 másodpercenkénti tokenek. A illeszkedés kényelmes.

15

CLIP (ViT L/14@336px)— 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 1.1 GB és körülbelül generálás 1,044 másodpercenkénti tokenek. A illeszkedés kényelmes.

16

CLIP (ViT L/14@336px)— 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 1.1 GB és körülbelül generálás 1,293 másodpercenkénti tokenek. A illeszkedés kényelmes.

17

CLIP (ViT L/14@336px)— 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 1.1 GB és körülbelül generálás 1,534 másodpercenkénti tokenek. A illeszkedés kényelmes.

18

CLIP (ViT L/14@336px)— 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 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