GRITLM 8x7B calcolatore TPS

Apri i pesi Contextual AI,The University of Hong Kong,Microsoft 46.7B parametri April 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

93 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Radeon PRO V710

28 GB · Q3_K_M · 9.6 tok/s

Scheda più veloce

B200

72.6 tok/s · 180 GB

Quali GPU possono eseguire GRITLM 8x7B?

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.

93 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
72.6 tok/s 44–116 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	50.7 GB	Q8_0	Comodo
72.6 tok/s 44–116 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	50.7 GB	Q8_0	Comodo
57.9 tok/s 35–93 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	50.7 GB	Q8_0	Comodo
57.9 tok/s 35–93 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	50.7 GB	Q8_0	Comodo
46.3 tok/s 28–74 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	50.7 GB	Q8_0	Comodo
44.4 tok/s 27–71 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	50.7 GB	Q8_0	Comodo
44.4 tok/s 27–71 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	50.7 GB	Q8_0	Comodo
42.4 tok/s 25–68 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	50.7 GB	Q8_0	Comodo
41.6 tok/s 25–67 · bassa fiducia	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	26.2 GB	IQ4_XS	Stretto
41.6 tok/s 25–67 · bassa fiducia	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	26.2 GB	IQ4_XS	Stretto
39.9 tok/s 24–64 · bassa fiducia	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	26.2 GB	IQ4_XS	Stretto
39.9 tok/s 24–64 · bassa fiducia	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	26.2 GB	IQ4_XS	Stretto
37.7 tok/s 23–60 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Comodo
37.7 tok/s 23–60 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Comodo
37.7 tok/s 23–60 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Comodo
35.7 tok/s 21–57 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	50.7 GB	Q8_0	Comodo
30.5 tok/s 18–49 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Comodo
30.5 tok/s 18–49 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	50.7 GB	Q8_0	Comodo
30.5 tok/s 18–49 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Comodo
30.5 tok/s 18–49 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Comodo
30.5 tok/s 18–49 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Comodo
25.3 tok/s 15–40 · bassa fiducia	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.4 GB	Q5_K_M	Stretto
25.3 tok/s 15–40 · bassa fiducia	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.4 GB	Q5_K_M	Stretto
25.3 tok/s 15–40 · bassa fiducia	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.4 GB	Q5_K_M	Stretto
25.2 tok/s 15–40 · bassa fiducia	Tesla PG500-216 NVIDIA	32 GB	1,130 GB/s	Nov 2019	26.2 GB	IQ4_XS	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: Contextual AI,The University of Hong Kong,Microsoft
Tipo di organizzazione: Industry,Academia,Industry
Paese: United States of America, Hong Kong
Pubblicato: 17 April 2024
Autori: Niklas Muennighoff, Hongjin Su, Liang Wang, Nan Yang, Furu Wei, Tao Yu, Amanpreet Singh, Douwe Kiela

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, Quantitative reasoning
Modello di base: Mixtral 8x7B
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: 46.7B
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.

Come è stato stabilito: Hardware
Addestramento fine: 2.2 × 10²² FLOP

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: 8
Chip-ore: 20,480
Tempo di parete: 80 hours
Consumo energetico: 11.1 kW

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 (unrestricted)
Codice di addestramento: Open source

Come è classificato

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

Record fiducia: Confident

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento: Generative Representational Instruction Tuning
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono GRITLM 8x7B

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 GRITLM 8x7B

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

Cosa ti serve per eseguirlo

Scheda minima

Radeon PRO V710

Memoria necessaria

23.5 GB

Più veloce

72.6 tok/s

GRITLM 8x7B raggiunge un conteggio di parametri di 46.7B. Questo rientra nell'intervallo che una seria GPU DESKTOP può gestire una volta compressi i pesi. Il numero di GPU che monitoriamo che possono eseguirlo: 93.

L'hardware minimo che funziona è Radeon PRO V710, con una capacità di memoria di 28 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 9.6 token al secondo

All'altra estremità si trova B200, generando approssimativamente 72.6 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Informazioni su questo modello

GRITLM 8x7B è stato pubblicato da Contextual AI,The University of Hong Kong,Microsoft, nel paese registrato come United States of America, durante April 2024. L'organizzazione di pubblicazione è classificata come industry,Academia,Industry.

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

Invece di essere addestrato da zero, è derivato da Mixtral 8x7B. È per questo che condivide la forma e le dimensioni generali del modello base.

I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.

Quanto è veloce nel funzionare e perché

Meta delle schede che lo supportano gestiscono più di 18.3 token al secondo 74 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.

La memoria qui è stimata dalla dimensione piuttosto che calcolata dall'architettura, che non è registrata per questo modello — i numeri sono indicativi piuttosto che esatti.

Passo dopo passo

Come scegliere una GPU per GRITLM 8x7B

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

Controlla cosa serve prima di ogni altra cosa

Inizia da ciò di cui ha realmente bisogno, ovvero il requisito di GRITLM 8x7B, avere bisogno di circa 23.5 GB a una compressione di Q3_K_M. Quella cifra, non le prestazioni di punta di una CARD, è ciò che decide se può essere eseguita.
02

Decidi quanto a lungo durano le tue conversazioni

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 GRITLM 8x7B.
03

Decidi quanto spazio di compressione accetterai

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., 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

Ordina per velocità

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per GRITLM 8x7B. 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 72.6 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 GRITLM 8x7B. 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

Apri la scheda su cui ti sei deciso.

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 GRITLM 8x7B.

Risposte

GRITLM 8x7B — domande comuni

GRITLM 8x7B— quando è stato rilasciato?

È stato pubblicato in April 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.

GRITLM 8x7B— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering, Quantitative reasoning. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.

GRITLM 8x7B— Dove posso scaricarlo?

I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.

GRITLM 8x7B— 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 7.4 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

GRITLM 8x7B— due GPU lo farebbero andare più veloce?

Due schede comprano VRAM piuttosto che velocità, che conta solo se una scheda non può contenerla. Il numero che può: 93. Quindi una seconda CARD è raramente la risposta qui.

GRITLM 8x7B— 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: 5. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

GRITLM 8x7B— 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: 44–116 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.

GRITLM 8x7B— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Radeon PRO V710, con una capacità di memoria di 28 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 23.5 GB, e produce approssimativamente 9.6 token al secondo. Il numero di card in grado di eseguirlo in totale: 93.

GRITLM 8x7B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 72.6 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: 74.

GRITLM 8x7B— quanta VRAM serve?

Ha bisogno di 23.5 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.

GRITLM 8x7B— 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.

GRITLM 8x7B— quanti parametri ha?

Ha un numero di parametri di 46.7B. 46.7B. 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.

GRITLM 8x7B— chi l'ha creato?

È stato pubblicato da Contextual AI,The University of Hong Kong,Microsoft, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Industry.

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