Llama-3.1-Minitron-4B TPS kalkulátor

Nyitott súlyok NVIDIA 4B Paraméterek November 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

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · Q3_K_M · 24.9 tok/s

Leggyorsabb kártya

B200

847 tok/s · 180 GB

Melyik GPU képes futtatni Llama-3.1-Minitron-4B?

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
847 tok/s 720–1,016	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.7 GB	Q8_0	Kényelmes
847 tok/s 720–1,016	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.7 GB	Q8_0	Kényelmes
676 tok/s 406–1,082 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Kényelmes
676 tok/s 406–1,082 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Kényelmes
541 tok/s 325–866 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.7 GB	Q8_0	Kényelmes
518 tok/s 440–621	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Kényelmes
518 tok/s 440–621	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Kényelmes
496 tok/s 297–793 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.7 GB	Q8_0	Kényelmes
440 tok/s 264–704 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Kényelmes
440 tok/s 264–704 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Kényelmes
440 tok/s 264–704 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Kényelmes
417 tok/s 355–501	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.7 GB	Q8_0	Kényelmes
356 tok/s 302–427	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Kényelmes
356 tok/s 302–427	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.7 GB	Q8_0	Kényelmes
356 tok/s 302–427	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Kényelmes
356 tok/s 302–427	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Kényelmes
356 tok/s 302–427	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Kényelmes
271 tok/s 163–433 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Kényelmes
271 tok/s 163–433 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Kényelmes
226 tok/s 135–361 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.7 GB	Q8_0	Kényelmes
221 tok/s 133–353 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.7 GB	Q8_0	Kényelmes
216 tok/s 184–259	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.7 GB	Q8_0	Kényelmes
216 tok/s 184–259	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.7 GB	Q8_0	Kényelmes
216 tok/s 184–259	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.7 GB	Q8_0	Kényelmes
216 tok/s 184–259	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.7 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: NVIDIA
Szervezet típusa: Industry
Ország: United States of America
Közölt: 4 November 2024
Szerzők: Saurav Muralidharan, Sharath Turuvekere Sreenivas, Raviraj Joshi, Marcin Chochowski, Mostofa Patwary, Mohammad Shoeybi, Bryan Catanzaro, Jan Kautz, Pavlo Molchanov

Mit csinál

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

Tartomány: Language
Feladat: Language modeling/generation, Chat, Question answering
Alapmodell: Llama 3.1-8B

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: 4B
Képzési adatok: tokens

A tréning futás

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

Képzési hardver: NVIDIA A100 SXM4 80 GB
Használt chipek: 8
Teljesítményfogyasztás: 6.3 kW

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)

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: Compact Language Models via Pruning and Knowledge Distillation
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Llama-3.1-Minitron-4B

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 Llama-3.1-Minitron-4B

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

Tesla C1080

Szükséges memória

3.4 GB

Leggyorsabb

847 tok/s

Llama-3.1-Minitron-4B eléri a paraméterek számát 4B. 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.

A belépési pont a Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 24.9 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 847 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Llama-3.1-Minitron-4B ki lett adva által NVIDIA, az országban rögzítve mint United States of America, alatt November 2024. A kiadó kategóriája alá tartozik industry.

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

Ez alapoz. Llama 3.1-8B. Ezért osztja a bázismodell általános formáját és méretét.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.

A sebességek megértése

A kártyák felének, amelyek tartják, több mint 35.2 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 781 tőlük

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

Mivel az architektúra rögzítve van, a memória oszlop származtatott, nem pedig becsült.

Lépésről lépésre

Hogyan válasszunk GPU-t a Llama-3.1-Minitron-4B

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 Llama-3.1-Minitron-4B, körülbelül szükséges 3.4 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.

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. Llama-3.1-Minitron-4B.
03

Válaszd ki, milyen messzire fogod tömöríteni.

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., 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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. Llama-3.1-Minitron-4B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 847 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Llama-3.1-Minitron-4B. 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. Llama-3.1-Minitron-4B.

Válaszok

Llama-3.1-Minitron-4B — gyakori kérdések

Llama-3.1-Minitron-4B— 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 5.7 GB és körülbelül generálás 158 másodpercenkénti tokenek. A illeszkedés kényelmes.

Llama-3.1-Minitron-4B— 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 5.7 GB és körülbelül generálás 96.6 másodpercenkénti tokenek. A illeszkedés kényelmes.

Llama-3.1-Minitron-4B— 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 5.7 GB és körülbelül generálás 120 másodpercenkénti tokenek. A illeszkedés kényelmes.

Llama-3.1-Minitron-4B— 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 5.7 GB és körülbelül generálás 142 másodpercenkénti tokenek. A illeszkedés kényelmes.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— Hány paramétere van?

Paraméterszáma 4B. 4b Llama-3.1-Minitron-4B-Width-Base uses a model embedding size of 3072, 32 attention heads, MLP intermediate dimension of 9216, with 32 layers in total. Additionally, it uses Grouped-Query Attention (GQA) and Rotary Position Embeddings (RoPE). Architecture Type: Transformer Decoder (Auto-Regressive Language Model) Network Architecture: Llama-3.1. 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.

Llama-3.1-Minitron-4B— Ki készítette ezt?

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

Llama-3.1-Minitron-4B— Mikor adták ki?

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

Llama-3.1-Minitron-4B— Mire használják?

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

Llama-3.1-Minitron-4B— Hol tudom letölteni?

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

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— 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: 720–1,016 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Llama-3.1-Minitron-4B— 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. Q3_K_M használva körülbelül 3.4 GB, és körülbelül 24.9 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Llama-3.1-Minitron-4B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 847 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: 781.

Llama-3.1-Minitron-4B— mennyi VRAM-ra van szüksége?

Kb. 3.4 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.

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