Qwen2.5-Coder (7B) TPS kalkulátor

Nyitott súlyok Alibaba 7.6B Paraméterek September 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

589 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla K20c

5 GB · Q3_K_M · 26.6 tok/s

Leggyorsabb kártya

B200

445 tok/s · 180 GB

Melyik GPU képes futtatni Qwen2.5-Coder (7B)?

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.

589 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
445 tok/s 378–534	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.8 GB	Q8_0	Kényelmes
445 tok/s 378–534	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.8 GB	Q8_0	Kényelmes
356 tok/s 213–569 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.8 GB	Q8_0	Kényelmes
356 tok/s 213–569 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.8 GB	Q8_0	Kényelmes
284 tok/s 171–455 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.8 GB	Q8_0	Kényelmes
272 tok/s 231–327	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.8 GB	Q8_0	Kényelmes
272 tok/s 231–327	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.8 GB	Q8_0	Kényelmes
260 tok/s 156–417 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.8 GB	Q8_0	Kényelmes
231 tok/s 139–370 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.8 GB	Q8_0	Kényelmes
231 tok/s 139–370 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.8 GB	Q8_0	Kényelmes
231 tok/s 139–370 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.8 GB	Q8_0	Kényelmes
219 tok/s 186–263	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.8 GB	Q8_0	Kényelmes
187 tok/s 159–224	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.8 GB	Q8_0	Kényelmes
187 tok/s 159–224	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.8 GB	Q8_0	Kényelmes
187 tok/s 159–224	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.8 GB	Q8_0	Kényelmes
187 tok/s 159–224	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.8 GB	Q8_0	Kényelmes
187 tok/s 159–224	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.8 GB	Q8_0	Kényelmes
142 tok/s 85–228 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.8 GB	Q8_0	Kényelmes
142 tok/s 85–228 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.8 GB	Q8_0	Kényelmes
120 tok/s 102–145	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	Q6_K	Szoros
119 tok/s 71–190 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.8 GB	Q8_0	Kényelmes
116 tok/s 70–186 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.8 GB	Q8_0	Kényelmes
114 tok/s 97–136	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.8 GB	Q8_0	Kényelmes
114 tok/s 97–136	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.8 GB	Q8_0	Kényelmes
114 tok/s 97–136	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.8 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: Alibaba
Szervezet típusa: Industry
Ország: China
Közölt: 18 September 2024
Szerzők: Binyuan Hui, Jian Yang, Zeyu Cui, Jiaxi Yang, Dayiheng Liu, Lei Zhang, Tianyu Liu, Jiajun Zhang, Bowen Yu, Kai Dang, An Yang, Rui Men, Fei Huang, Xingzhang Ren, Xuancheng Ren, Jingren Zhou, Junyang Lin

Mit csinál

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

Tartomány: Language
Feladat: Code generation, Code autocompletion, Quantitative reasoning, Question answering, Language modeling/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: 7.6B
Képzési adatok: 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: 2.5 × 10²³ FLOP
Hogyan jött létre: Operation counting

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
Hugging Face: Qwen

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: Qwen2.5-Coder Technical Report
Utoljára frissítve: 11 February 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Qwen2.5-Coder (7B)

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 Qwen2.5-Coder (7B)

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 K20c

Szükséges memória

4.4 GB

Leggyorsabb

445 tok/s

Qwen2.5-Coder (7B) eléri a paraméterek számát 7.6B. 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: 589.

A belépési pont a Tesla K20c, memória kapacitással rendelkezik 5 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 26.6 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 445 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

Qwen2.5-Coder (7B) ki lett adva által Alibaba, az országban rögzítve mint China, alatt September 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.

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

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 Qwen.

A sebességek megértése

A medián eredmény körül 24.0 másodpercenkénti tokenek 557 tőlük

Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.

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

Képzés és származás

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 2.5 × 10²³ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Lépésről lépésre

Hogyan válasszunk GPU-t a Qwen2.5-Coder (7B)

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.

Minden kártyát itt leellenőriztünk a következőkkel szemben Qwen2.5-Coder (7B), körülbelül szükséges 4.4 GB a tömörítésnél Q3_K_M. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
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. Qwen2.5-Coder (7B).
03

Válaszd ki, milyen messzire fogod tömöríteni.

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 rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért Qwen2.5-Coder (7B). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 445 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Qwen2.5-Coder (7B). A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nyisd meg a kiválasztott kártyát.

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. Qwen2.5-Coder (7B).

Válaszok

Qwen2.5-Coder (7B) — gyakori kérdések

Qwen2.5-Coder (7B)— 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: 378–534 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Qwen2.5-Coder (7B)— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla K20c, memória kapacitással rendelkezik 5 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 4.4 GB, és körülbelül 26.6 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 589.

Qwen2.5-Coder (7B)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 445 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: 557.

Qwen2.5-Coder (7B)— mennyi VRAM-ra van szüksége?

Kb. 4.4 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.

Qwen2.5-Coder (7B)— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q6_K, használva körülbelül 7.0 GB és körülbelül generálás 120 tokensek másodpercenként. A fit szoros.

Qwen2.5-Coder (7B)— 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 8.8 GB és körülbelül generálás 50.8 másodpercenkénti tokenek. A illeszkedés kényelmes.

Qwen2.5-Coder (7B)— 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 8.8 GB és körülbelül generálás 62.9 másodpercenkénti tokenek. A illeszkedés kényelmes.

Qwen2.5-Coder (7B)— 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 8.8 GB és körülbelül generálás 74.6 másodpercenkénti tokenek. A illeszkedés kényelmes.

Qwen2.5-Coder (7B)— 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.

Qwen2.5-Coder (7B)— Hány paramétere van?

Paraméterszáma 7.6B. Number of Parameters: 7.61B. 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.

Qwen2.5-Coder (7B)— Ki készítette ezt?

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

Qwen2.5-Coder (7B)— Mikor adták ki?

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

Qwen2.5-Coder (7B)— Mire használják?

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

Qwen2.5-Coder (7B)— Hol tudom letölteni?

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

Qwen2.5-Coder (7B)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2.5 × 10²³ FLOP. 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.

Qwen2.5-Coder (7B)— Futtathatom, ha nem fér el a GPU-mban?

Részben. Azok a rétegek, amelyek nem férnek el a GPU VRAM-ban, a rendszer memóriájában ülnek és a sebesség egy töredékén futnak, így egy túlnyomórészt áthelyezett AI model használata ritkán éri meg. A legközelebbi hiba, amit számítunk, alulmúlja 1.7 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Qwen2.5-Coder (7B)— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 589. Tehát egy második KÁRTYA ritkán a megoldás itt.

Qwen2.5-Coder (7B)— 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.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 11 February 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