Llama 3.1-8B calcolatore TPS

Apri i pesi Meta AI 8B parametri July 2024

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

582 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Quadro 6000

6 GB · Q3_K_M · 17.4 tok/s

Scheda più veloce

B200

424 tok/s · 180 GB

Quali GPU possono eseguire Llama 3.1-8B?

Imposta gli input, leggi la risposta

Lunghezza del contesto token

Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..

Qualità minima

Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..

Cerca schede

Memoria della scheda

Mostra anche le schede che non possono eseguirlo.

582 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
424 tok/s 360–508	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.8 GB	Q8_0	Comodo
424 tok/s 360–508	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.8 GB	Q8_0	Comodo
338 tok/s 203–541 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Comodo
338 tok/s 203–541 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.8 GB	Q8_0	Comodo
270 tok/s 162–433 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.8 GB	Q8_0	Comodo
259 tok/s 220–311	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Comodo
259 tok/s 220–311	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.8 GB	Q8_0	Comodo
248 tok/s 149–396 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.8 GB	Q8_0	Comodo
220 tok/s 132–352 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Comodo
220 tok/s 132–352 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Comodo
220 tok/s 132–352 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.8 GB	Q8_0	Comodo
209 tok/s 177–250	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.8 GB	Q8_0	Comodo
178 tok/s 151–213	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Comodo
178 tok/s 151–213	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.8 GB	Q8_0	Comodo
178 tok/s 151–213	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Comodo
178 tok/s 151–213	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Comodo
178 tok/s 151–213	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.8 GB	Q8_0	Comodo
141 tok/s 120–169	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	Q5_K_M	Stretto
135 tok/s 81–217 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Comodo
135 tok/s 81–217 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.8 GB	Q8_0	Comodo
120 tok/s 102–144	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.9 GB	Q6_K	Stretto
113 tok/s 68–181 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.8 GB	Q8_0	Comodo
110 tok/s 66–177 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.8 GB	Q8_0	Comodo
108 tok/s 92–130	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.8 GB	Q8_0	Comodo
108 tok/s 92–130	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.8 GB	Q8_0	Comodo

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

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: 8B
Dati di addestramento: 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: 1.2 × 10²⁴ FLOP
Come è stato stabilito: Hardware,Operation counting

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

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Probabilmente sopra 10²³ FLOP: Yes
Record fiducia: Likely

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 3.1-8B

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 3.1-8B

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..

Cosa significano i numeri

Requisiti hardware in pratica

Scheda minima

Quadro 6000

Memoria necessaria

5.1 GB

Più veloce

424 tok/s

Llama 3.1-8B raggiunge un conteggio di parametri di 8B. È piccolo abbastanza che l'hardware è raramente l'ostacolo, anche su CARD di diversi anni fa. Il numero di CARD che monitoriamo che possono eseguirlo: 582.

Il punto di ingresso è Quadro 6000, con una capacità di memoria di 6 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 17.4 token al secondo

Il più veloce che calcoliamo per esso è B200, generando approssimativamente 424 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Cosa è questo modello

Llama 3.1-8B è stato pubblicato da Meta AI, nel paese registrato come United States of America, durante July 2024. La categoria sotto cui rientra l'editore è industry.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.

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.

Cosa decide la velocità

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 23.8 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 551 di loro

Essendo denso, legge tutto se stesso per token, motivo per cui l'ordinamento per velocità qui sotto segue da vicino l'ordinamento per larghezza di banda della memoria.

Il suo layout di attenzione è in our database, quindi le cifre di VRAM sono calcolate esattamente piuttosto che approssimate.

Cosa è stato necessario per costruirlo

Il training ha richiesto un budget di calcolo di circa 1.2 × 10²⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Passo dopo passo

Come scegliere una GPU per Llama 3.1-8B

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

Inizia dalla colonna VRAM

La tabella elenca ogni card in grado di contenere Llama 3.1-8B, avere bisogno di circa 5.1 GB a una compressione di Q3_K_M. La Capacità è il cancello — una card o la tiene o non la tiene.
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 3.1-8B.
03

Scegli quanto lontano lo comprimerai

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 Q3_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 3.1-8B. 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 B200, nella 424 tok/s
05

Guarda il margine, non solo l'adattamento

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di Llama 3.1-8B. 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

Vedi cos'altro che questa card esegue

Ogni pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a Llama 3.1-8B.

Risposte

Llama 3.1-8B — domande comuni

Llama 3.1-8B— 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 3.1-8B— quanti parametri ha?

Ha un numero di parametri di 8B. 8B. 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 3.1-8B— chi l'ha creato?

È stato pubblicato da Meta AI, basato su United States of America, un'organizzazione categorizzata come industry.

Llama 3.1-8B— 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 3.1-8B— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

Llama 3.1-8B— 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 3.1-8B— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 1.2 × 10²⁴ FLOP. 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 3.1-8B— posso eseguirlo se non si adatta nella mia GPU?

Solo scaricando, che di solito è una falsa economia: la parte tenuta in SYSTEM MEMORY rallenta tutto. La più vicina mancata che calcoliamo risulta insufficiente di 1.5 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

Llama 3.1-8B— 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: 582. Quindi una seconda CARD è raramente la risposta qui.

Llama 3.1-8B— perché la quantizzazione differisce tra le schede?

Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Llama 3.1-8B— 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: 360–508 tok/s su B200. 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 3.1-8B— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Quadro 6000, con una capacità di memoria di 6 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 5.1 GB, e produce approssimativamente 17.4 token al secondo. Il numero di card in grado di eseguirlo in totale: 582.

Llama 3.1-8B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 424 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: 551.

Llama 3.1-8B— quanta VRAM serve?

Ha bisogno di 5.1 GB a una compressione di Q3_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 3.1-8B— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q5_K_M, utilizzando circa 7.0 GB e generando approssimativamente 141 token al secondo. Il fit è stretto.

Llama 3.1-8B— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q8_0, utilizzando circa 9.8 GB e generando approssimativamente 48.3 token al secondo. Il fit è stretto.

Llama 3.1-8B— posso eseguirlo su una GPU holding 16 GB?

Sì. La scheda Tesla V100 SXM2 16 GB, tenere 16 GB, lo esegue a una compressione di Q8_0, utilizzando circa 9.8 GB e generando approssimativamente 59.8 token al secondo. Il fit è comodo.

Llama 3.1-8B— posso eseguirlo su una GPU holding 24 GB?

Sì. La scheda GeForce RTX 5090 D V2, tenere 24 GB, lo esegue a una compressione di Q8_0, utilizzando circa 9.8 GB e generando approssimativamente 70.9 token al secondo. Il fit è comodo.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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.

Tutti i modelli AI