Gemma 3 27B TPS kalkulátor

Nyitott súlyok Google DeepMind 27B Paraméterek March 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

241 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 7120P

16 GB · Q3_K_M · 9.7 tok/s

Leggyorsabb kártya

B200

125 tok/s · 180 GB

Melyik GPU képes futtatni Gemma 3 27B?

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.

241 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
125 tok/s 107–151	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	29.0 GB	Q8_0	Kényelmes
125 tok/s 107–151	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	29.0 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	29.0 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	29.0 GB	Q8_0	Kényelmes
80.1 tok/s 48–128 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	29.0 GB	Q8_0	Kényelmes
76.7 tok/s 65–92	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.0 GB	Q8_0	Kényelmes
76.7 tok/s 65–92	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.0 GB	Q8_0	Kényelmes
73.4 tok/s 44–117 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	29.0 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Kényelmes
61.8 tok/s 53–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	29.0 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	29.0 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Kényelmes
47.8 tok/s 41–57	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.3 GB	Q3_K_M	Szoros
42.6 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	22.7 GB	Q6_K	Kényelmes
42.6 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	22.7 GB	Q6_K	Kényelmes
40.8 tok/s 35–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	22.7 GB	Q6_K	Kényelmes
40.8 tok/s 35–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	22.7 GB	Q6_K	Kényelmes
40.6 tok/s 35–49	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.3 GB	Q3_K_M	Szoros
40.1 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	29.0 GB	Q8_0	Kényelmes
40.1 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	29.0 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 DeepMind
Szervezet típusa: Industry
Ország: United States of America
Közölt: 12 March 2025
Szerzők: Core contributors: Aishwarya Kamath, Johan Ferret, Shreya Pathak, Nino Vieillard, Ramona Merhej, Sarah Perrin, Tatiana Matejovicova, Alexandre Ramé, Morgane Rivière, Louis Rouillard, Thomas Mesnard, Geoffrey Cideron, Jean-bastien Grill, Sabela Ramos, Edouard Yvinec, Michelle Casbon, Etienne Pot, Ivo Penchev, Gaël Liu, Francesco Visin, Kathleen Kenealy, Lucas Beyer, Xiaohai Zhai, Anton Tsitsulin, R…

Mit csinál

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

Tartomány: Language, Vision, Multimodal
Feladat: Language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation
Alapmodell: SigLIP 400M

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: 27B
Képzési adatok: 14,000,000,000,000 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: 2.3 × 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: Google TPU v5p
Használt chipek: 6,144
Teljesítményfogyasztás: 6.5 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 (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.

Valószínűleg 10²³ FLOP felett: Yes
Nyilvántartási bizalom: Confident

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Gemma 3 Technical Report
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Gemma 3 27B

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 Gemma 3 27B

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

Mit jelentenek a számok

Mi szükséges ehhez a modellhez való futtatáshoz

Minimális kártya

Xeon Phi 7120P

Szükséges memória

13.3 GB

Leggyorsabb

125 tok/s

Gemma 3 27B eléri a paraméterek számát 27B. Ez a tartományba esik, amelyet egy komoly asztali KÁRTYA kezelni tud, miután a súlyok tömörítve vannak. Azoknak a KÁRTYÁKNAK a száma, amelyeket nyomon követünk, és amelyek képesek futtatni: 241.

A legkisebb kártya, ami elbírja, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 9.7 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 125 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Gemma 3 27B ki lett adva által Google DeepMind, az országban rögzítve mint United States of America, alatt March 2025. A kiadó szervezet a következő kategóriába tartozik industry.

Működik a területen a Language, Vision, Multimodal, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation.

Ahelyett, hogy nulláról lenne betanítva, az származik SigLIP 400M. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

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. A Hugging Face-en az alábbi szervezet alatt van publikálva google.

Milyen gyorsan fut, és miért

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 19.0 másodpercenkénti tokenek 196 tőlük

A sűrűsége miatt minden egyes tokent önállóan olvas, ezért a sebesség szerinti rendezés alább annyira közel követi a memória sávszélesség szerinti rendezést.

A figyelem elrendezése a fájlban van, így a memóriaértékek pontosan számítva vannak, nem pedig közelítve.

Hogyan lett betanítva

A képzés futás körülbelül 2.3 × 10²⁴ FLOP, hardveren rögzítve Google TPU v5p. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A tanító készlet kb. futott 14,000,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a Gemma 3 27B

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.

Minden kártyát itt leellenőriztünk a következőkkel szemben Gemma 3 27B, körülbelül szükséges 13.3 GB a tömörítésnél Q3_K_M. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Illeszd a kontextust a tényleges használatodhoz.

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. Gemma 3 27B.
03

Válaszd ki, milyen messzire fogod tömöríteni.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., 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

Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Gemma 3 27B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 125 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Gemma 3 27B. 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 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. Gemma 3 27B.

Válaszok

Gemma 3 27B — gyakori kérdések

Gemma 3 27B— Mikor adták ki?

Kibocsátották a March 2025.

Gemma 3 27B— Mire használják?

Működik a területen a Language, Vision, Multimodal, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Gemma 3 27B— 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.

Gemma 3 27B— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2.3 × 10²⁴ FLOP, hardveren rögzítve Google TPU v5p. 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.

Gemma 3 27B— Futtathatom, ha nem fér el a GPU-mban?

Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. A legközelebbi hiba, amit számítunk, alulmúlja 5.6 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Gemma 3 27B— 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: 241. Tehát egy második KÁRTYA ritkán a megoldás itt.

Gemma 3 27B— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Gemma 3 27B— 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: 107–151 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Gemma 3 27B— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 13.3 GB, és körülbelül 9.7 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 241.

Gemma 3 27B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 125 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: 196.

Gemma 3 27B— mennyi VRAM-ra van szüksége?

Kb. 13.3 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.

Gemma 3 27B— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q3_K_M, használva körülbelül 13.3 GB és körülbelül generálás 47.8 tokensek másodpercenként. A fit szoros.

Gemma 3 27B— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q5_K_M, használva körülbelül 19.5 GB és körülbelül generálás 37.5 tokensek másodpercenként. A fit szoros.

Gemma 3 27B— 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.

Gemma 3 27B— Hány paramétere van?

Paraméterszáma 27B. Vision Encoder: 417M Embedding Parameters: 1,416M Non-embedding Parameters: 25,600M. 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.

Gemma 3 27B— Ki készítette ezt?

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

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