MedSigLIP TPS kalkulátor

Nyitott súlyok Google 800M Paraméterek July 2025

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 · 46.1 tok/s

Leggyorsabb kártya

B200

4,235 tok/s · 180 GB

Melyik GPU képes futtatni MedSigLIP?

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
4,235 tok/s 2,541–6,776 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.6 GB	Q8_0	Kényelmes
4,235 tok/s 2,541–6,776 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.6 GB	Q8_0	Kényelmes
3,382 tok/s 2,029–5,411 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.6 GB	Q8_0	Kényelmes
3,382 tok/s 2,029–5,411 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.6 GB	Q8_0	Kényelmes
2,705 tok/s 1,623–4,328 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.6 GB	Q8_0	Kényelmes
2,589 tok/s 1,553–4,142 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.6 GB	Q8_0	Kényelmes
2,589 tok/s 1,553–4,142 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.6 GB	Q8_0	Kényelmes
2,478 tok/s 1,487–3,964 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.6 GB	Q8_0	Kényelmes
2,199 tok/s 1,319–3,518 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Kényelmes
2,199 tok/s 1,319–3,518 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Kényelmes
2,199 tok/s 1,319–3,518 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.6 GB	Q8_0	Kényelmes
2,086 tok/s 1,252–3,337 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.6 GB	Q8_0	Kényelmes
1,779 tok/s 1,067–2,846 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Kényelmes
1,779 tok/s 1,067–2,846 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.6 GB	Q8_0	Kényelmes
1,779 tok/s 1,067–2,846 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Kényelmes
1,779 tok/s 1,067–2,846 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Kényelmes
1,779 tok/s 1,067–2,846 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.6 GB	Q8_0	Kényelmes
1,354 tok/s 813–2,167 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.6 GB	Q8_0	Kényelmes
1,354 tok/s 813–2,167 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.6 GB	Q8_0	Kényelmes
1,129 tok/s 677–1,806 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.6 GB	Q8_0	Kényelmes
1,105 tok/s 663–1,767 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.6 GB	Q8_0	Kényelmes
1,080 tok/s 648–1,728 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.6 GB	Q8_0	Kényelmes
1,080 tok/s 648–1,728 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.6 GB	Q8_0	Kényelmes
1,080 tok/s 648–1,728 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.6 GB	Q8_0	Kényelmes
1,080 tok/s 648–1,728 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.6 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: Google
Szervezet típusa: Industry
Ország: United States of America
Közölt: 9 July 2025

Mit csinál

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

Tartomány: Vision, Medicine
Feladat: Image embedding, Image segmentation, Image classification

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: 800M
Képzési adatok: tokens

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 (restricted use)
Képzés kód: Unreleased
Hugging Face: google

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: MedSigLIP model card
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni MedSigLIP

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 MedSigLIP

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

1.6 GB

Leggyorsabb

4,235 tok/s

MedSigLIP eléri a paraméterek számát 800M. 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 46.1 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 4,235 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

MedSigLIP ki lett adva által Google, az országban rögzítve mint United States of America, alatt July 2025. A kiadó szervezet a következő kategóriába tartozik industry.

Működik a területen a Vision, Medicine, és úgy van rögzítve, mint a feladat végrehajtása image embedding, Image segmentation, Image classification.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását. A Hugging Face-en az alábbi szervezet alatt van publikálva google.

Mi dönti el a sebességet

A kártyák felének, amelyek tartják, több mint 118.9 másodpercenkénti tokenek 809 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.

Lépésről lépésre

Hogyan válasszunk GPU-t a MedSigLIP

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.

A táblázat felsorolja az összes kártyát, amely képes tartani MedSigLIP, körülbelül szükséges 1.6 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Illeszd a kontextust a tényleges használatodhoz.

A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. MedSigLIP.
03

Válaszd ki, milyen messzire fogod tömöríteni.

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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. MedSigLIP. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 4,235 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben MedSigLIP. 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 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. MedSigLIP.

Válaszok

MedSigLIP — gyakori kérdések

MedSigLIP— 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.

MedSigLIP— 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.

MedSigLIP— 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: 2,541–6,776 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

MedSigLIP— 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 1.6 GB, és körülbelül 46.1 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

MedSigLIP— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 4,235 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: 809.

MedSigLIP— mennyi VRAM-ra van szüksége?

Kb. 1.6 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.

MedSigLIP— 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 1.6 GB és körülbelül generálás 789 másodpercenkénti tokenek. A illeszkedés kényelmes.

MedSigLIP— 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 1.6 GB és körülbelül generálás 483 másodpercenkénti tokenek. A illeszkedés kényelmes.

MedSigLIP— 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 1.6 GB és körülbelül generálás 598 másodpercenkénti tokenek. A illeszkedés kényelmes.

MedSigLIP— 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 1.6 GB és körülbelül generálás 709 másodpercenkénti tokenek. A illeszkedés kényelmes.

MedSigLIP— 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.

MedSigLIP— Hány paramétere van?

Paraméterszáma 800M. "MedSigLIP contains a 400M parameter vision encoder and 400M parameter text encoder,". 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.

MedSigLIP— Ki készítette ezt?

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

MedSigLIP— Mikor adták ki?

Kibocsátották a July 2025.

MedSigLIP— Mire használják?

Működik a területen a Vision, Medicine, és rögzítve van, hogy kezeli a feladatot image embedding, Image segmentation, Image classification. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

MedSigLIP— Hol tudom letölteni?

Súlyait a Hugging Face-en tette közzé, a szervezet alatt google. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.

MedSigLIP— Futtathatom, ha nem fér el a GPU-mban?

Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 28 November 2025

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