ERNIE-GEN (large) TPS kalkulátor

Nyitott súlyok Baidu 340M Paraméterek August 2020

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 · 108 tok/s

Leggyorsabb kártya

B200

9,965 tok/s · 180 GB

Melyik GPU képes futtatni ERNIE-GEN (large)?

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
9,965 tok/s

5,979–15,945 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Kényelmes
9,965 tok/s

5,979–15,945 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Kényelmes
7,958 tok/s

4,775–12,732 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
7,958 tok/s

4,775–12,732 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
6,364 tok/s

3,818–10,183 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
6,091 tok/s

3,655–9,746 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
6,091 tok/s

3,655–9,746 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
5,830 tok/s

3,498–9,328 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Kényelmes
5,174 tok/s

3,104–8,278 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
5,174 tok/s

3,104–8,278 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
5,174 tok/s

3,104–8,278 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,908 tok/s

2,945–7,853 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,185 tok/s

2,511–6,697 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,185 tok/s

2,511–6,697 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Kényelmes
4,185 tok/s

2,511–6,697 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,185 tok/s

2,511–6,697 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,185 tok/s

2,511–6,697 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,187 tok/s

1,912–5,099 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
3,187 tok/s

1,912–5,099 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,656 tok/s

1,593–4,249 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,599 tok/s

1,559–4,159 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,541 tok/s

1,525–4,066 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Kényelmes
2,541 tok/s

1,525–4,066 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Kényelmes
2,541 tok/s

1,525–4,066 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Kényelmes
2,541 tok/s

1,525–4,066 · 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
Baidu
Szervezet típusa
Industry
Ország
China
Közölt
6 August 2020
Szerzők
Dongling Xiao, Han Zhang, Yukun Li, Yu Sun, Hao Tian, Hua Wu, Haifeng Wang

Mit csinál

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

Tartomány
Language
Feladat
Language modeling, Language modeling/generation, Text summarization, Chat
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
340M

"We train a base model ERNIEGENBASE (L=12, H=768, A=12, Total Parameters=110M)1 and a large model ERNIE-GENLARGE (L=24, H=1024, A=16, Total Parameters=340M) with parameters initialized by BERTBASE and BERTLARGE respectively"

Képzési adatok
114,666,666,667 tokens

approx 430 * 200 million words = ~86B words, per https://docs.google.com/document/d/1G3vvQkn4x_W71MKg0GmHVtzfd9m0y3_Ofcoew0v902Q/edit#heading=h.ieihc08p8dn0

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
2 × 10²⁰ FLOP

430GB text for 1 epoch approx 430 * 200 million words = 86B words, or 100B tokens per https://docs.google.com/document/d/1G3vvQkn4x_W71MKg0GmHVtzfd9m0y3_Ofcoew0v902Q/edit#heading=h.ieihc08p8dn0 6 * 340 million params * 100 billion tokens ~= 2e20

Hogyan jött létre
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)

https://github.com/PaddlePaddle/ERNIE/tree/repro/ernie-gen code/weights with unclear license

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

"Empirically, ERNIE-GEN is particularly effective and achieves state-of-the-art results on a range of NLG tasks including abstractive summarization (Gigaword and CNN/DailyMail), question generation (SQuAD), dialogue response generation (Persona-Chat) and generative question answering (CoQA)"

Nyilvántartási bizalom
Speculative
Hivatkozások
133

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
ERNIE-GEN: An Enhanced Multi-Flow Pre-training and Fine-tuning Framework for Natural Language Generation
Utoljára frissítve
25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni ERNIE-GEN (large)

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 9,965 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 9,965 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 7,958 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 7,958 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,364 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 6,091 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 6,091 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,830 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,174 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,174 tok/s

A legkisebb GPU-k, amik még futnak ERNIE-GEN (large)

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 120 tok/s
  2. 02 RTX A400 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 120 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 159 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 239 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 42.5 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 124 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 140 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 124 tok/s
  9. 09 Arc A310 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 100 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 104 tok/s

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

Tesla C1080

Szükséges memória

1.1 GB

Leggyorsabb

9,965 tok/s

ERNIE-GEN (large) eléri a paraméterek számát 340M. 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 belépési pont a Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 108 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 9,965 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

ERNIE-GEN (large) ki lett adva által Baidu, az országban rögzítve mint China, alatt August 2020. A kiadó kategóriája alá tartozik industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling, Language modeling/generation, Text summarization, Chat.

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 279.8 másodpercenkénti tokenek 818 tőlük

Ez egy sűrű modell, így minden paramétert minden előállított tokenhez elolvasnak. Ez szinte pontosan nyomon követi a memória-sávszélességet — egy kártya, amelynek kétszer akkora a sávszélessége, körülbelül kétszer olyan gyorsan generál.

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.

Mi került a felépítésébe

A képzés futás körülbelül 2 × 10²⁰ 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 114,666,666,667 szöveg tokenjei

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a ERNIE-GEN (large)

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

  1. 01

    Kezdj a GPU VRAM oszloptól.

    A táblázat felsorolja az összes kártyát, amely képes tartani ERNIE-GEN (large), körülbelül szükséges 1.1 GB a tömörítésnél Q8_0. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.

  2. 02

    Állítsa be a használt CONTEXT LENGTH-et.

    A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. ERNIE-GEN (large).

  3. 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 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 sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a ERNIE-GEN (large). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 9,965 tok/s

  5. 05

    Olvasd el az illeszkedés oszlopot utoljára.

    Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben ERNIE-GEN (large). 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

    Nyisd meg a kiválasztott kártyát.

    Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy ERNIE-GEN (large).

Válaszok

ERNIE-GEN (large) — gyakori kérdések

01

ERNIE-GEN (large)— 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.

02

ERNIE-GEN (large)— Hány paramétere van?

Paraméterszáma 340M. "We train a base model ERNIEGENBASE (L=12, H=768, A=12, Total Parameters=110M)1 and a large model ERNIE-GENLARGE (L=24, H=1024, A=16, Total Parameters=340M) with parameters initialized by BERTBASE and BERTLARGE respectively". 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.

03

ERNIE-GEN (large)— Ki készítette ezt?

Kiadta Baidu, alapján China, egy szervezet, amelyet kategorizáltak mint industry.

04

ERNIE-GEN (large)— Mikor adták ki?

Kibocsátották a August 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

05

ERNIE-GEN (large)— Mire használják?

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

06

ERNIE-GEN (large)— Hol tudom letölteni?

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

07

ERNIE-GEN (large)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2 × 10²⁰ 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.

08

ERNIE-GEN (large)— Futtathatom, ha nem fér el a GPU-mban?

Részben. Azok a rétegek, amelyek nem férnek el a GPU VRAM-ban, a rendszer memóriájában ülnek és a sebesség egy töredékén futnak, így egy túlnyomórészt áthelyezett AI model használata ritkán éri meg. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

09

ERNIE-GEN (large)— 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: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

10

ERNIE-GEN (large)— 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.

11

ERNIE-GEN (large)— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 5,979–15,945 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

12

ERNIE-GEN (large)— 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 108 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

13

ERNIE-GEN (large)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 9,965 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.

14

ERNIE-GEN (large)— 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.

15

ERNIE-GEN (large)— 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 1,856 másodpercenkénti tokenek. A illeszkedés kényelmes.

16

ERNIE-GEN (large)— 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 1,137 másodpercenkénti tokenek. A illeszkedés kényelmes.

17

ERNIE-GEN (large)— 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 1,408 másodpercenkénti tokenek. A illeszkedés kényelmes.

18

ERNIE-GEN (large)— 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 1,669 másodpercenkénti tokenek. A illeszkedés kényelmes.

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