Pangu Pro MoE TPS kalkulátor

Nyitott súlyok Huawei 72B Paraméterek May 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

61 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

A100 PCIe 40 GB

40 GB · Q3_K_M · 24.8 tok/s

Leggyorsabb kártya

B200

47.1 tok/s · 180 GB

Melyik GPU képes futtatni Pangu Pro MoE?

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.

61 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
47.1 tok/s 28–75 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	77.8 GB	Q8_0	Kényelmes
47.1 tok/s 28–75 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	77.8 GB	Q8_0	Kényelmes
37.6 tok/s 23–60 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	77.8 GB	Q8_0	Kényelmes
37.6 tok/s 23–60 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	77.8 GB	Q8_0	Kényelmes
30.1 tok/s 18–48 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	77.8 GB	Q8_0	Kényelmes
28.8 tok/s 17–46 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	77.8 GB	Q8_0	Kényelmes
28.8 tok/s 17–46 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	77.8 GB	Q8_0	Kényelmes
28.7 tok/s 17–46 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	61.0 GB	Q6_K	Szoros
28.7 tok/s 17–46 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	61.0 GB	Q6_K	Szoros
27.5 tok/s 17–44 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	77.8 GB	Q8_0	Kényelmes
27.0 tok/s 16–43 · alacsony bizalom	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	40.1 GB	IQ4_XS	Szoros
24.8 tok/s 15–40 · alacsony bizalom	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	35.9 GB	Q3_K_M	Szoros
24.8 tok/s 15–40 · alacsony bizalom	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	35.9 GB	Q3_K_M	Szoros
24.8 tok/s 15–40 · alacsony bizalom	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	35.9 GB	Q3_K_M	Szoros
24.4 tok/s 15–39 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	77.8 GB	Q8_0	Kényelmes
24.4 tok/s 15–39 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	77.8 GB	Q8_0	Kényelmes
24.4 tok/s 15–39 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	77.8 GB	Q8_0	Kényelmes
23.2 tok/s 14–37 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	77.8 GB	Q8_0	Szoros
21.2 tok/s 13–34 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	52.6 GB	Q5_K_M	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	77.8 GB	Q8_0	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	77.8 GB	Q8_0	Szoros
19.8 tok/s 12–32 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	77.8 GB	Q8_0	Szoros
19.4 tok/s 12–31 · alacsony bizalom	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	40.1 GB	IQ4_XS	Szoros
17.4 tok/s 10–28 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	61.0 GB	Q6_K	Szoros
17.4 tok/s 10–28 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	61.0 GB	Q6_K	Szoros

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: Huawei
Szervezet típusa: Industry
Ország: China
Közölt: 28 May 2025
Szerzők: Yehui Tang, Xiaosong Li, Fangcheng Liu, Wei Guo, Hang Zhou, Yaoyuan Wang, Kai Han, Xianzhi Yu, Jinpeng Li, Hui Zang, Fei Mi, Xiaojun Meng, Zhicheng Liu, Hanting Chen, Binfan Zheng, Can Chen, Youliang Yan, Ruiming Tang, Peifeng Qin, Xinghao Chen, Dacheng Tao, Yunhe Wang (and Other Contributors)

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Question answering, Quantitative reasoning, Mathematical reasoning, Code 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: 72B
Képzési adatok: 13,000,000,000,000 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: 1.3 × 10²⁴ FLOP
Hogyan jött létre: Operation counting

A tréning futás

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

Képzési hardver: Huawei Ascend 800T A2
Használt chipek: 4,000
Teljesítményfogyasztás: 2.4 MW

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

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: Pangu Pro MoE: Mixture of Grouped Experts for Efficient Sparsity
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Pangu Pro MoE

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 Pangu Pro MoE

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

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

A100 PCIe 40 GB

Szükséges memória

35.9 GB

Leggyorsabb

47.1 tok/s

Pangu Pro MoE eléri a paraméterek számát 72B. Ez a fogyasztói hardveren felül helyezi, abba a tartományba, ahol egy kártyát ezért a célért vásárolnak, nem pedig átalakítanak erre. Az általunk nyomon követett kártyák száma, amelyek elférnek benne: 61.

A legkevesebb hardver, ami működik, az A100 PCIe 40 GB, memória kapacitással rendelkezik 40 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 24.8 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 47.1 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Pangu Pro MoE ki lett adva által Huawei, az országban rögzítve mint China, alatt May 2025. A kiadó kategóriája alá tartozik industry.

Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Quantitative reasoning, Mathematical reasoning, Code generation.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását.

A sebességek megértése

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 16.6 másodpercenkénti tokenek 51 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.

Képzés és származás

A képzés futás körülbelül 1.3 × 10²⁴ FLOP, hardveren rögzítve Huawei Ascend 800T A2. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 13,000,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a Pangu Pro MoE

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

01

Olvasd el a MEMORY adatokat először.

Kezdj a tényleges szükségletekből, ami a követelményének a Pangu Pro MoE, körülbelül szükséges 35.9 GB a tömörítésnél Q3_K_M. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Állítsa be a használt CONTEXT LENGTH-et.

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. Pangu Pro MoE.
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 Q3_K_M 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

Rangsoroljon átbocsátás alapján, nem pedig specifikációs lap szerint.

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. Pangu Pro MoE. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 47.1 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 Pangu Pro MoE. 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.

Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy Pangu Pro MoE.

Válaszok

Pangu Pro MoE — gyakori kérdések

Pangu Pro MoE— Hol tudom letölteni?

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

Pangu Pro MoE— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.3 × 10²⁴ FLOP, hardveren rögzítve Huawei Ascend 800T A2. 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.

Pangu Pro MoE— Futtathatom, ha nem fér el a GPU-mban?

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. A legközelebbi hiba, amit számítunk, alulmúlja 15.5 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Pangu Pro MoE— 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: 61. Tehát egy második KÁRTYA ritkán a megoldás itt.

Pangu Pro MoE— 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: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Pangu Pro MoE— 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: 28–75 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Pangu Pro MoE— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az A100 PCIe 40 GB, memória kapacitással rendelkezik 40 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 35.9 GB, és körülbelül 24.8 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 61.

Pangu Pro MoE— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 47.1 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: 51.

Pangu Pro MoE— mennyi VRAM-ra van szüksége?

Kb. 35.9 GB tömörítési arányban Q3_K_M, 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.

Pangu Pro MoE— 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.

Pangu Pro MoE— Hány paramétere van?

Paraméterszáma 72B. a total of 71.99B parameters and 16.50 billion active parameters. 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.

Pangu Pro MoE— Ki készítette ezt?

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

Pangu Pro MoE— Mikor adták ki?

Kibocsátották a May 2025.

Pangu Pro MoE— Mire használják?

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

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