CausalLM 34B β calcolatore TPS

Apri i pesi CausalLM 34.4B parametri February 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

132 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

RTX A4500

20 GB · Q3_K_M · 21.3 tok/s

Scheda più veloce

B200

98.5 tok/s · 180 GB

Quali GPU possono eseguire CausalLM 34B β?

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.

132 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
98.5 tok/s 59–158 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	37.5 GB	Q8_0	Comodo
98.5 tok/s 59–158 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	37.5 GB	Q8_0	Comodo
78.7 tok/s 47–126 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	37.5 GB	Q8_0	Comodo
78.7 tok/s 47–126 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	37.5 GB	Q8_0	Comodo
62.9 tok/s 38–101 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	37.5 GB	Q8_0	Comodo
60.2 tok/s 36–96 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	37.5 GB	Q8_0	Comodo
60.2 tok/s 36–96 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	37.5 GB	Q8_0	Comodo
57.6 tok/s 35–92 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	37.5 GB	Q8_0	Comodo
51.1 tok/s 31–82 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	37.5 GB	Q8_0	Comodo
51.1 tok/s 31–82 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	37.5 GB	Q8_0	Comodo
51.1 tok/s 31–82 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	37.5 GB	Q8_0	Comodo
48.5 tok/s 29–78 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	37.5 GB	Q8_0	Comodo
41.4 tok/s 25–66 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	37.5 GB	Q8_0	Comodo
41.4 tok/s 25–66 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	37.5 GB	Q8_0	Comodo
41.4 tok/s 25–66 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	37.5 GB	Q8_0	Comodo
41.4 tok/s 25–66 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	37.5 GB	Q8_0	Comodo
41.4 tok/s 25–66 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	37.5 GB	Q8_0	Comodo
41.1 tok/s 25–66 · bassa fiducia	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	25.5 GB	Q5_K_M	Stretto
41.1 tok/s 25–66 · bassa fiducia	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	25.5 GB	Q5_K_M	Stretto
39.4 tok/s 24–63 · bassa fiducia	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.5 GB	Q5_K_M	Stretto
39.4 tok/s 24–63 · bassa fiducia	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.5 GB	Q5_K_M	Stretto
38.1 tok/s 23–61 · bassa fiducia	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	21.5 GB	Q4_K_M	Stretto
34.7 tok/s 21–55 · bassa fiducia	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	21.5 GB	Q4_K_M	Stretto
31.5 tok/s 19–50 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	37.5 GB	Q8_0	Comodo
31.5 tok/s 19–50 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	37.5 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: CausalLM
Paese: China
Pubblicato: 6 February 2024

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

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: 34.4B
Dati di addestramento: tokens

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: Unreleased
Hugging Face: CausalLM

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: CausalLM 34B β
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono CausalLM 34B β

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 CausalLM 34B β

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

RTX A4500

Memoria necessaria

17.5 GB

Più veloce

98.5 tok/s

CausalLM 34B β raggiunge un conteggio di parametri di 34.4B. 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: 132.

Il punto di ingresso è RTX A4500, con una capacità di memoria di 20 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 21.3 token al secondo

Top di gamma è B200, generando approssimativamente 98.5 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

CausalLM 34B β è stato pubblicato da CausalLM, nel paese registrato come China, durante February 2024.

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

I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato. Su Hugging Face è pubblicato sotto l'organizzazione CausalLM.

Comprendere le velocità

Meta delle schede che lo supportano gestiscono più di 20.9 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 103 di loro

È un modello denso, quindi ogni parametro viene letto per ogni token prodotto. Questo rende la pista di velocità la larghezza di banda della memoria quasi esattamente — una CARD con il doppio della larghezza di banda genera approssimativamente il doppio della velocità.

La sua architettura interna non è in archivio, quindi la memoria è approssimata dal conteggio dei parametri e contrassegnata di conseguenza. Aspettatevi che la cifra reale differisca, soprattutto con contesti lunghi.

Passo dopo passo

Come scegliere una GPU per CausalLM 34B β

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 CausalLM 34B β, avere bisogno di circa 17.5 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

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 CausalLM 34B β.
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 throughput piuttosto che per specifiche.

Ordina per velocità per vedere come si classificano le schede per CausalLM 34B β. 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 98.5 tok/s
05

Leggi l'ultima colonna di fit

La colonna della compatibilità separa le schede che riescono appena a farlo da quelle con spazio in più, nel caso di CausalLM 34B β. 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.

Ogni nome di scheda è collegato alla propria pagina, che esegue lo stesso calcolo su tutto il catalogo dei modelli. Una scheda è solitamente acquistata per più di un modello, quindi vale la pena dare un'occhiata prima di acquistare. CausalLM 34B β.

Risposte

CausalLM 34B β — domande comuni

CausalLM 34B β— quando è stato rilasciato?

È stato pubblicato in February 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.

CausalLM 34B β— A cosa serve?

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

CausalLM 34B β— Dove posso scaricarlo?

I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione CausalLM. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.

CausalLM 34B β— 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 7.1 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

CausalLM 34B β— 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: 132. Quindi una seconda CARD è raramente la risposta qui.

CausalLM 34B β— perché la quantizzazione differisce tra le schede?

Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 5. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

CausalLM 34B β— 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: 59–158 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.

CausalLM 34B β— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è RTX A4500, con una capacità di memoria di 20 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 17.5 GB, e produce approssimativamente 21.3 token al secondo. Il numero di card in grado di eseguirlo in totale: 132.

CausalLM 34B β— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 98.5 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: 103.

CausalLM 34B β— quanta VRAM serve?

Ha bisogno di 17.5 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.

CausalLM 34B β— 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 Q4_K_M, utilizzando circa 21.5 GB e generando approssimativamente 38.1 token al secondo. Il fit è stretto.

CausalLM 34B β— 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.

CausalLM 34B β— quanti parametri ha?

Ha un numero di parametri di 34.4B. 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.

CausalLM 34B β— chi l'ha creato?

È stato pubblicato da CausalLM, basato su China.

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