InternVL2_5-78B TPS kalkulátor

Nyitott súlyok Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University 78.4B Paraméterek December 2024

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

58 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Quadro RTX 8000

48 GB · Q3_K_M · 9.8 tok/s

Leggyorsabb kártya

B200

43.2 tok/s · 180 GB

Melyik GPU képes futtatni InternVL2_5-78B?

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.

58 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
43.2 tok/s 26–69 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	84.6 GB	Q8_0	Kényelmes
43.2 tok/s 26–69 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	84.6 GB	Q8_0	Kényelmes
34.5 tok/s 21–55 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	84.6 GB	Q8_0	Kényelmes
34.5 tok/s 21–55 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	84.6 GB	Q8_0	Kényelmes
30.9 tok/s 19–49 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	66.4 GB	Q6_K	Kényelmes
27.6 tok/s 17–44 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	84.6 GB	Q8_0	Kényelmes
27.3 tok/s 16–44 · alacsony bizalom	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	39.0 GB	Q3_K_M	Szoros
26.4 tok/s 16–42 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	84.6 GB	Q8_0	Kényelmes
26.4 tok/s 16–42 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	84.6 GB	Q8_0	Kényelmes
26.4 tok/s 16–42 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	66.4 GB	Q6_K	Szoros
26.4 tok/s 16–42 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	66.4 GB	Q6_K	Kényelmes
26.4 tok/s 16–42 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	66.4 GB	Q6_K	Szoros
25.3 tok/s 15–40 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	84.6 GB	Q8_0	Kényelmes
22.4 tok/s 13–36 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Kényelmes
22.4 tok/s 13–36 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Kényelmes
22.4 tok/s 13–36 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	84.6 GB	Q8_0	Kényelmes
19.5 tok/s 12–31 · alacsony bizalom	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	39.0 GB	Q3_K_M	Szoros
19.5 tok/s 12–31 · alacsony bizalom	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	57.3 GB	Q5_K_M	Szoros
18.2 tok/s 11–29 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	84.6 GB	Q8_0	Szoros
18.2 tok/s 11–29 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	84.6 GB	Q8_0	Szoros
16.0 tok/s 10–26 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	66.4 GB	Q6_K	Szoros
16.0 tok/s 10–26 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	66.4 GB	Q6_K	Szoros
16.0 tok/s 10–26 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	66.4 GB	Q6_K	Szoros
16.0 tok/s 10–26 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	66.4 GB	Q6_K	Szoros
16.0 tok/s 10–26 · alacsony bizalom	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	66.4 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: Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University
Szervezet típusa: Academia,Industry,Academia,Academia,Academia,Academia,Academia
Ország: China, Hong Kong
Közölt: 6 December 2024
Szerzők: Zhe Chen, Weiyun Wang, Yue Cao, Yangzhou Liu, Zhangwei Gao, Erfei Cui, Jinguo Zhu, Shenglong Ye, Hao Tian, Zhaoyang Liu, Lixin Gu, Xuehui Wang, Qingyun Li, Yimin Ren, Zixuan Chen, Jiapeng Luo, Jiahao Wang, Tan Jiang, Bo Wang, Conghui He, Botian Shi, Xingcheng Zhang, Han Lv, Yi Wang, Wenqi Shao, Pei Chu, Zhongying Tu, Tong He, Zhiyong Wu, Huipeng Deng, Jiaye Ge, Kai Chen, Kaipeng Zhang, Limin Wang,…

Mit csinál

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

Tartomány: Multimodal, Language, Vision
Feladat: Visual question answering, Language modeling/generation, Question answering, Character recognition (OCR)
Alapmodell: Qwen2.5 Instruct (72B),InternViT-6B

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: 78.4B
Képzési adatok: 120,000,000,000 tokens
Epochok: 1

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.

Hogyan jött létre: Operation counting
Finomhangolás számítás: 2.1 × 10²² FLOP

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: Open source
Hugging Face: OpenGVLab

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 1,468

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Expanding Performance Boundaries of Open-Source Multimodal Models with Model, Data, and Test-Time Scaling
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni InternVL2_5-78B

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 InternVL2_5-78B

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

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

Quadro RTX 8000

Szükséges memória

39.0 GB

Leggyorsabb

43.2 tok/s

InternVL2_5-78B eléri a paraméterek számát 78.4B. 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: 58.

A belépési pont a Quadro RTX 8000, memória kapacitással rendelkezik 48 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 9.8 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 43.2 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

InternVL2_5-78B ki lett adva által Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University, az országban rögzítve mint China, alatt December 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry,Academia,Academia,Academia,Academia,Academia.

Működik a területen a Multimodal, Language, Vision, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Language modeling/generation, Question answering, Character recognition (OCR).

Ez alapoz. Qwen2.5 Instruct (72B),InternViT-6B. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

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 OpenGVLab.

Mi dönti el a sebességet

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 13.9 másodpercenkénti tokenek 44 tőlük

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

Nélkül az attention elrendezés a nyilvántartásban, a memory oszlop egy közelítés. Elég közel van ahhoz, hogy hardver kiválasztását lehessen végezni, és a leghitványosabb hosszú context esetén.

Képzés és származás

Körülbelül egy korpuszon lett betanítva 120,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a InternVL2_5-78B

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 InternVL2_5-78B, körülbelül szükséges 39.0 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.

A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. InternVL2_5-78B.
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

Rendezés sebesség szerint

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a InternVL2_5-78B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 43.2 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében InternVL2_5-78B. 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. InternVL2_5-78B.

Válaszok

InternVL2_5-78B — gyakori kérdések

InternVL2_5-78B— Mire használják?

Működik a területen a Multimodal, Language, Vision, és rögzítve van, hogy kezeli a feladatot visual question answering, Language modeling/generation, Question answering, Character recognition (OCR). A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

InternVL2_5-78B— Hol tudom letölteni?

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

InternVL2_5-78B— 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 12.1 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

InternVL2_5-78B— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 58. Tehát egy második KÁRTYA ritkán a megoldás itt.

InternVL2_5-78B— 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: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

InternVL2_5-78B— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 26–69 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

InternVL2_5-78B— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Quadro RTX 8000, memória kapacitással rendelkezik 48 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 39.0 GB, és körülbelül 9.8 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 58.

InternVL2_5-78B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 43.2 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: 44.

InternVL2_5-78B— mennyi VRAM-ra van szüksége?

Kb. 39.0 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.

InternVL2_5-78B— 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.

InternVL2_5-78B— Hány paramétere van?

Paraméterszáma 78.4B. 78.4B. 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.

InternVL2_5-78B— Ki készítette ezt?

Kiadta Shanghai AI Lab,SenseTime,Tsinghua University,Nanjing University,Fudan University,Chinese University of Hong Kong (CUHK),Shanghai Jiao Tong University, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Industry,Academia,Academia,Academia,Academia,Academia.

InternVL2_5-78B— Mikor adták ki?

Kibocsátották a December 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

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