RoBERTa Large TPS kalkulátor

Nyitott súlyok Facebook,University of Washington 355M Paraméterek July 2019

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 · 104 tok/s

Leggyorsabb kártya

B200

9,544 tok/s · 180 GB

Melyik GPU képes futtatni RoBERTa 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
9,544 tok/s

5,727–15,271 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Kényelmes
9,544 tok/s

5,727–15,271 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Kényelmes
7,621 tok/s

4,573–12,194 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
7,621 tok/s

4,573–12,194 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
6,095 tok/s

3,657–9,752 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
5,834 tok/s

3,500–9,334 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
5,834 tok/s

3,500–9,334 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
5,583 tok/s

3,350–8,933 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Kényelmes
4,955 tok/s

2,973–7,928 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,955 tok/s

2,973–7,928 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,955 tok/s

2,973–7,928 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,701 tok/s

2,820–7,521 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,009 tok/s

2,405–6,414 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,009 tok/s

2,405–6,414 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Kényelmes
4,009 tok/s

2,405–6,414 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,009 tok/s

2,405–6,414 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
4,009 tok/s

2,405–6,414 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,052 tok/s

1,831–4,884 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
3,052 tok/s

1,831–4,884 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,544 tok/s

1,526–4,070 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,489 tok/s

1,494–3,983 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,434 tok/s

1,460–3,894 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Kényelmes
2,434 tok/s

1,460–3,894 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Kényelmes
2,434 tok/s

1,460–3,894 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Kényelmes
2,434 tok/s

1,460–3,894 · 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
Facebook,University of Washington
Szervezet típusa
Industry,Academia
Ország
United States of America
Közölt
1 July 2019
Szerzők
Yinhan Liu, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy, Mike Lewis, Luke Zettlemoyer, Veselin Stoyanov

Mit csinál

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

Tartomány
Language
Feladat
Question answering, Language modeling/generation
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
355M

355M https://github.com/facebookresearch/fairseq/blob/main/examples/roberta/README.md

Képzési adatok
42,666,666,666 tokens

160GB*200M words/GB * (4 tokens / 3 words) = 3.2e10 tokens max steps 500k batch size 8k "We pretrain with sequences of at most T = 512 tokens." 500000*8000*512 = 2.048e+12 tokens

Epochok
48

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
8.5 × 10²¹ FLOP

Section 5: We pretrain our model using 1024 V100 GPUs for approximately one day. Note this is the base pretraining comparable to BERT, 100k steps. Subsequently they do more: "increasing the number of pretraining steps from 100K to 300K, and then further to 500K". So assume 5x the 1024 V100 GPUs for 1d estimate. Mixed precision tensor cores get 1.25e14 FLOP/s. 1024 * 1.25e14 * 5 * 24 * 3600 * 0.3 = 1.65888e22 6ND estimate: batches are 8k sequences of 512 tokens; 500k updates means the model s…

Hogyan jött létre
Hardware,Operation counting,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 Tesla V100 DGXS 32 GB
Használt chipek
1,024
Chip-óra
122,880
Fali óra idő
120 hours

First the model is pretrained for 100k steps on 1024 GPUs for 1 day, then pretraining is increased to 500k steps, so assuming they used the same number of GPUs, this would have taken 5 days.

Teljesítményfogyasztás
526.2 kW
Számítási költség
$85,350

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

code and weights: https://github.com/facebookresearch/fairseq/blob/main/examples/roberta/README.md pretrain code: https://github.com/facebookresearch/fairseq/blob/main/examples/roberta/README.pretraining.md repo is MIT license

Hogyan van besorolva

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

Határmodell
Yes
Miért követik nyomon
Highly cited,SOTA improvement

"Our best model achieves state-of-the-art results on GLUE, RACE and SQuAD"

Nyilvántartási bizalom
Confident
Hivatkozások
29,641

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
RoBERTa: A Robustly Optimized BERT Pretraining Approach
Utoljára frissítve
25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni RoBERTa 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 9,544 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 9,544 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 7,621 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 7,621 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,095 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 5,834 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 5,834 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,583 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,955 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,955 tok/s

A legkisebb GPU-k, amik még futnak RoBERTa 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 115 tok/s
  2. 02 RTX A400 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 115 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 153 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 229 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 40.7 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 119 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 134 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 119 tok/s
  9. 09 Arc A310 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 96.2 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 99.3 tok/s

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

Tesla C1080

Szükséges memória

1.1 GB

Leggyorsabb

9,544 tok/s

RoBERTa Large eléri a paraméterek számát 355M. 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 104 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 9,544 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

RoBERTa Large ki lett adva által Facebook,University of Washington, az országban rögzítve mint United States of America, alatt July 2019. A kiadó szervezet a következő kategóriába tartozik industry,Academia.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása question answering, Language modeling/generation.

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.

Milyen gyorsan fut, és miért

A medián eredmény körül 268.0 másodpercenkénti tokenek 817 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 képzés futás körülbelül 8.5 × 10²¹ FLOP, hardveren rögzítve NVIDIA Tesla V100 DGXS 32 GB. 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 42,666,666,666 szöveg tokenjei

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

Lépésről lépésre

Hogyan válasszunk GPU-t a RoBERTa Large

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.

    A táblázat felsorolja az összes kártyát, amely képes tartani RoBERTa Large, körülbelül szükséges 1.1 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.

  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. RoBERTa Large.

  3. 03

    Állítsa be a minőségi minimumot

    A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., 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 sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a RoBERTa Large. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 9,544 tok/s

  5. 05

    Olvasd el az illeszkedés oszlopot utoljára.

    Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében RoBERTa 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

    Nézd meg a kártyát a másik oldalról.

    Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. RoBERTa Large.

Válaszok

RoBERTa Large — gyakori kérdések

01

RoBERTa Large— Hány paramétere van?

Paraméterszáma 355M. 355M https://github.com/facebookresearch/fairseq/blob/main/examples/roberta/README.md. 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

RoBERTa Large— Ki készítette ezt?

Kiadta Facebook,University of Washington, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia.

03

RoBERTa Large— Mikor adták ki?

Kibocsátották a July 2019. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

04

RoBERTa Large— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot question answering, Language modeling/generation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

05

RoBERTa Large— Hol tudom letölteni?

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

06

RoBERTa Large— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 8.5 × 10²¹ FLOP, hardveren rögzítve NVIDIA Tesla V100 DGXS 32 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.

07

RoBERTa Large— 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

RoBERTa Large— 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.

09

RoBERTa 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.

10

RoBERTa Large— 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: 5,727–15,271 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

11

RoBERTa 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 104 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

12

RoBERTa Large— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 9,544 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

RoBERTa 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.

14

RoBERTa 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 1,778 másodpercenkénti tokenek. A illeszkedés kényelmes.

15

RoBERTa 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 1,089 másodpercenkénti tokenek. A illeszkedés kényelmes.

16

RoBERTa 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 1,348 másodpercenkénti tokenek. A illeszkedés kényelmes.

17

RoBERTa 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 1,599 másodpercenkénti tokenek. A illeszkedés kényelmes.

18

RoBERTa 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.

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