Grover-Mega TPS kalkulátor

Nyitott súlyok University of Washington 1.5B Paraméterek May 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 · 24.6 tok/s

Leggyorsabb kártya

B200

2,259 tok/s · 180 GB

Melyik GPU képes futtatni Grover-Mega?

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
2,259 tok/s 1,355–3,614 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.3 GB	Q8_0	Kényelmes
2,259 tok/s 1,355–3,614 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.3 GB	Q8_0	Kényelmes
1,804 tok/s 1,082–2,886 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Kényelmes
1,804 tok/s 1,082–2,886 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Kényelmes
1,443 tok/s 866–2,308 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.3 GB	Q8_0	Kényelmes
1,381 tok/s 828–2,209 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Kényelmes
1,381 tok/s 828–2,209 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Kényelmes
1,321 tok/s 793–2,114 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.3 GB	Q8_0	Kényelmes
1,173 tok/s 704–1,876 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Kényelmes
1,173 tok/s 704–1,876 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Kényelmes
1,173 tok/s 704–1,876 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Kényelmes
1,112 tok/s 667–1,780 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.3 GB	Q8_0	Kényelmes
949 tok/s 569–1,518 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Kényelmes
949 tok/s 569–1,518 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.3 GB	Q8_0	Kényelmes
949 tok/s 569–1,518 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Kényelmes
949 tok/s 569–1,518 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Kényelmes
949 tok/s 569–1,518 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Kényelmes
722 tok/s 433–1,156 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Kényelmes
722 tok/s 433–1,156 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Kényelmes
602 tok/s 361–963 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.3 GB	Q8_0	Kényelmes
589 tok/s 353–943 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.3 GB	Q8_0	Kényelmes
576 tok/s 346–922 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.3 GB	Q8_0	Kényelmes
576 tok/s 346–922 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.3 GB	Q8_0	Kényelmes
576 tok/s 346–922 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.3 GB	Q8_0	Kényelmes
576 tok/s 346–922 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.3 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: University of Washington
Szervezet típusa: Academia
Ország: United States of America
Közölt: 29 May 2019
Szerzők: R Zellers, A Holtzman, H Rashkin, Y Bisk

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation

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: 1.5B
Képzési adatok: 32,000,000,000 tokens
Epochok: 13

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: 4.6 × 10²¹ FLOP
Hogyan jött létre: Hardware,Operation counting

A tréning futás

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

Képzési hardver: Google TPU v3
Használt chipek: 128
Fali óra idő: 336 hours (14 days)
Teljesítményfogyasztás: 118.5 kW
Számítási költség: $15,692

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

Hogyan van besorolva

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

Határmodell: Yes
Nyilvántartási bizalom: Confident
Hivatkozások: 1,231

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Defending Against Neural Fake News
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Grover-Mega

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 Grover-Mega

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

Mit jelentenek a számok

A hardver oldal

Minimális kártya

Tesla C1080

Szükséges memória

2.3 GB

Leggyorsabb

2,259 tok/s

Grover-Mega eléri a paraméterek számát 1.5B. 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.

az alsó végén ezt kezelik Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 24.6 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 2,259 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Grover-Mega ki lett adva által University of Washington, az országban rögzítve mint United States of America, alatt May 2019. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.

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

Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted.

A sebességek megértése

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 63.4 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 796 tőlük

Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.

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.

Hogyan lett betanítva

A képzés futás körülbelül 4.6 × 10²¹ FLOP, hardveren rögzítve Google TPU v3. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 32,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a Grover-Mega

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

01

Kezdj a GPU VRAM oszloptól.

Kezdj a tényleges szükségletekből, ami a követelményének a Grover-Mega, körülbelül szükséges 2.3 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
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. Grover-Mega.
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.
04

Rendezés sebesség szerint

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Grover-Mega. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 2,259 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Grover-Mega. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nézd meg, mit futtat még az a kártya.

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

Válaszok

Grover-Mega — gyakori kérdések

Grover-Mega— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 4.6 × 10²¹ FLOP, hardveren rögzítve Google TPU v3. 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.

Grover-Mega— 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.

Grover-Mega— 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.

Grover-Mega— 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.

Grover-Mega— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 1,355–3,614 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Grover-Mega— 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 2.3 GB, és körülbelül 24.6 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Grover-Mega— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 2,259 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: 796.

Grover-Mega— mennyi VRAM-ra van szüksége?

Kb. 2.3 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.

Grover-Mega— 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 2.3 GB és körülbelül generálás 421 másodpercenkénti tokenek. A illeszkedés kényelmes.

Grover-Mega— 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 2.3 GB és körülbelül generálás 258 másodpercenkénti tokenek. A illeszkedés kényelmes.

Grover-Mega— 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 2.3 GB és körülbelül generálás 319 másodpercenkénti tokenek. A illeszkedés kényelmes.

Grover-Mega— 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 2.3 GB és körülbelül generálás 378 másodpercenkénti tokenek. A illeszkedés kényelmes.

Grover-Mega— 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.

Grover-Mega— Hány paramétere van?

Paraméterszáma 1.5B. "Our largest model, Grover-Mega, has 48 layers and 1.5 billion parameters, on par with GPT2". 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.

Grover-Mega— Ki készítette ezt?

Kiadta University of Washington, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.

Grover-Mega— Mikor adták ki?

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

Grover-Mega— Mire használják?

Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

Grover-Mega— Hol tudom letölteni?

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

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