Llama 3.1-405B calcolatore TPS
Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..
Calcolato per questo modello
818 schede per cui abbiamo specifiche
Scheda più piccola che si adatta
Radeon Instinct MI325X
256 GB · Q4_K_M · 11.3 tok/s
Scheda più veloce
B300
19.3 tok/s · 288 GB
Quali GPU possono eseguire Llama 3.1-405B?
Imposta gli input, leggi la risposta
Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..
Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..
4 schede corrispondono
Calcolo| Ha bisogno | Quantizzazione | Adatto | |||||
|---|---|---|---|---|---|---|---|
|
19.3
tok/s
16–23 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 224.3 GB | Q4_K_M | Stretto |
|
15.4
tok/s
9–25 · bassa fiducia |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Stretto |
|
15.4
tok/s
9–25 · bassa fiducia |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Stretto |
|
11.3
tok/s
7–18 · bassa fiducia |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 224.3 GB | Q4_K_M | Stretto |
Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Meta AI
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 23 July 2024
- Autori
- Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation, Question answering, Code generation, Mathematical reasoning
- Formato numerico
- BF16
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 405B
- Dati di addestramento
- 15,600,000,000,000 tokens
- Epoche
- 1
- Dimensione del Batch
- 16,000,000
405B
15.6T tokens
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.8 × 10²⁵ FLOP
- Come è stato stabilito
- Reported,Operation counting
- Post-training compute
- 9.4 × 10²² FLOP
Stated in paper. Also, 6 * 405B * 15.6T training tokens = 3.8e25
Section 4 gives detail about the post-training process. They do 6 rounds of post-training, using the model from the previous iteration in each successive round. In each round, they fine-tune a copy of the language model into a reward model (RM) using preference data, then use the reward model to do rejection sampling on human annotation prompts. Next they do supervised fine-tuning (SFT) on the rejection sampled data along with some synthetic data (8.5k to 9k steps per round). Next, they do Direc…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA H100 SXM5 80GB
- Chip utilizzati
- 16,384
- Tempo di parete
- 2,142 hours (89.3 days)
- Utilizzo dell'hardware
- MFU 40.4%
- Consumo energetico
- 22.6 MW
- Costo di calcolo
- $52,885,434
Trained on 30.84M GPU hours (https://huggingface.co/blog/llama31) and used "up to 16K H100 GPU[s]" so training took at least 30.84M / 16k = 1927.5 hours or ~80 days. Section 3.3.4 gives reliability details over a 54 day period during training, for which they had "higher than 90% effective training time" 1927.5 / 0.9 = 2142 hours Probably, full training time is somewhat longer, since it sounds like there were periods where not all 16k H100s were running.
MFU ranges between 0.38 and 0.43 depending on the specific parallelism used; I assume the geometric mean: sqrt(0.38 * 0.43) = 0.4042
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (restricted use)
- Codice di addestramento
- Open (restricted use)
- Hugging Face
- meta-llama
Llama 3.1 model license: https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE must seek separate license if over 700m monthly users, acceptable use restrictions training code here: https://github.com/meta-llama/llama-recipes/blob/main/src/llama_recipes/utils/train_utils.py#L70
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- SOTA improvement,Training cost
- Record fiducia
- Confident
High training compute, exceeds 4o and Claude 3.5 on some benchmarks: https://ai.meta.com/blog/meta-llama-3-1/
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- The Llama 3 Herd of Models
- Ultimo aggiornamento
- 28 November 2025
Gli estremi
Le dieci GPU più veloci che eseguono Llama 3.1-405B
Classificato per token stimati al secondo, scheda più recente per prima dove le velocità coincidono. Poiché la generazione è vincolata dalla larghezza di banda della memoria, quest'ordinamento segue la larghezza di banda piuttosto che qualsiasi benchmark di gioco..
Le GPU più piccole che ancora funzionano Llama 3.1-405B
Il percorso più economico, in base alla capacità di memoria. Un adattamento stretto esegue il modello ma non lascia nulla di riserva per una conversazione più lunga..
- 01 Radeon Instinct MI325X 256 GB · Ha bisogno 224.3 GB · Q4_K_M · Stretto 11.3 tok/s
- 02 B300 288 GB · Ha bisogno 224.3 GB · Q4_K_M · Stretto 19.3 tok/s
- 03 Radeon Instinct MI350X 288 GB · Ha bisogno 224.3 GB · Q4_K_M · Stretto 15.4 tok/s
- 04 Radeon Instinct MI355X 288 GB · Ha bisogno 224.3 GB · Q4_K_M · Stretto 15.4 tok/s
Cosa significano i numeri
Il lato hardware
Scheda minima
Radeon Instinct MI325X
Memoria necessaria
224.3 GB
Più veloce
19.3 tok/s
Llama 3.1-405B raggiunge un conteggio di parametri di 405B. Questo è oltre ciò che qualsiasi singola scheda grafica può contenere. Eseguire questo significa o suddividerlo tra più schede o noleggiare hardware progettato per il lavoro, e ogni scheda in grado di contenerlo da sola è un componente da datacenter. Il numero che può: 4.
A basso prezzo è gestito da Radeon Instinct MI325X, con una capacità di memoria di 256 GB, eseguendolo a una compressione di Q4_K_M e producendo circa 11.3 token al secondo
All'altra estremità si trova B300, generando approssimativamente 19.3 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.
Informazioni su questo modello
Llama 3.1-405B è stato pubblicato da Meta AI, nel paese registrato come United States of America, durante July 2024. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Question answering, Code generation, Mathematical reasoning.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere. Su Hugging Face è pubblicato sotto l'organizzazione meta-llama.
Quanto è veloce nel funzionare e perché
Il risultato mediano è attorno 15.4 token al secondo. Superare la velocità di lettura in modo diretto: 4 di loro
Ogni peso partecipa a ogni token qui, quindi la larghezza di banda è tutta la storia: la classifica sottostante è effettivamente una classifica del throughput di memoria.
Il suo layout di attenzione è in our database, quindi le cifre di VRAM sono calcolate esattamente piuttosto che approssimate.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 3.8 × 10²⁵ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 15,600,000,000,000 token di testo
Il suo criterio di inclusione: sOTA improvement,Training cost.
Passo dopo passo
Come scegliere una GPU per Llama 3.1-405B
La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..
-
01
Leggi prima il numero di VRAM
Ogni card qui è stata controllata contro Llama 3.1-405B, avere bisogno di circa 224.3 GB a una compressione di Q4_K_M. Quella cifra, non le prestazioni di punta di una CARD, è ciò che decide se può essere eseguita.
-
02
Imposta la lunghezza del CONTEXT che utilizzerai.
La conversazione occupa memoria anche, e cresce man mano che procede. Imposta il cursore sulla lunghezza che ti aspetti, perché con un contesto lungo una CARD che gestisce facilmente domande brevi può essere scartata da Llama 3.1-405B.
-
03
Imposta un pavimento di qualità
La Compression è ciò che rende un modello adatto a schede più piccole, a fronte di un certo costo in accuratezza., raggiungendo una compressione di Q4_K_M sulla scheda più piccola che si adatta. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
-
04
Confronta TOKEN AL SEC, non specifiche.
Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per Llama 3.1-405B. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria. La scheda in cima alla lista è B300, nella 19.3 tok/s
-
05
Leggi l'ultima colonna di fit
Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di Llama 3.1-405B. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
-
06
Controlla la GPU dall'altro lato
Seguire una GPU attraverso la sua pagina mostra ogni altro modello che può contenere, che è la domanda che segue una volta che hai deciso su Llama 3.1-405B.
Risposte
Llama 3.1-405B — domande comuni
Llama 3.1-405B— due GPU lo farebbero andare più veloce?
Una seconda CARD raddoppia grossolanamente la VRAM disponibile ma non il tasso di generazione. Il numero già in grado di eseguirlo da solo: 4. Quindi una seconda CARD è raramente la risposta qui.
Llama 3.1-405B— perché la quantizzazione differisce tra le schede?
Una scheda più grande contiene una copia più accurata. Il numero di livelli di compressione utilizzati tra le schede che lo eseguono: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.
Llama 3.1-405B— quanto sono accurate queste stime di velocità?
Ogni cifra è derivata dalla larghezza di banda della memoria e dalle dimensioni del modello, non calibrata, motivo per cui ognuna è pubblicata come un intervallo anziché come un singolo numero. Un esempio: 16–23 tok/s su B300. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.
Llama 3.1-405B— che GPU ho bisogno per eseguirlo?
La scheda più piccola nel nostro catalogo che la contiene è Radeon Instinct MI325X, con una capacità di memoria di 256 GB. Esegui il modello a una compressione di Q4_K_M utilizzando circa 224.3 GB, e produce approssimativamente 11.3 token al secondo. Il numero di card in grado di eseguirlo in totale: 4.
Llama 3.1-405B— quanto è veloce su una GPU?
Dipende dalla scheda. La più rapida che calcoliamo è B300, circa 19.3 token al secondo; il più lento che riesce a farlo gestisce considerevolmente meno. La velocità di lettura è di circa dieci token al secondo, e il numero di schede che riescono a farlo: 4.
Llama 3.1-405B— quanta VRAM serve?
Ha bisogno di 224.3 GB a una compressione di Q4_K_M, quale è la scheda più piccola che lo utilizza. Meno compressione richiede di più: le cifre nella colonna della memoria sopra sono ricalcolate per ogni scheda, perché ognuna contiene la versione meno compressa possibile.
Llama 3.1-405B— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
Llama 3.1-405B— quanti parametri ha?
Ha un numero di parametri di 405B. 405B. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Llama 3.1-405B— chi l'ha creato?
È stato pubblicato da Meta AI, basato su United States of America, un'organizzazione categorizzata come industry.
Llama 3.1-405B— quando è stato rilasciato?
È stato pubblicato in July 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Llama 3.1-405B— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering, Code generation, Mathematical reasoning. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Llama 3.1-405B— Dove posso scaricarlo?
I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione meta-llama. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.
Llama 3.1-405B— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.8 × 10²⁵ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Llama 3.1-405B— posso eseguirlo se non si adatta nella mia GPU?
Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. La più vicina mancata che calcoliamo risulta insufficiente di 51.5 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.