BLUUMI calcolatore TPS

Apri i pesi University of Turku,Hugging Face 176B parametri November 2023

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

17 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Radeon Instinct MI250

128 GB · Q4_K_M · 14.2 tok/s

Scheda più veloce

Radeon Instinct MI300

28.4 tok/s · 128 GB

Quali GPU possono eseguire BLUUMI?

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.

17 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
28.4 tok/s 17–45 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	107.2 GB	Q4_K_M	Stretto
28.0 tok/s 17–45 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	148.2 GB	Q6_K	Stretto
27.2 tok/s 16–43 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	107.2 GB	Q4_K_M	Stretto
27.2 tok/s 16–43 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	107.2 GB	Q4_K_M	Stretto
23.1 tok/s 14–37 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	107.2 GB	Q4_K_M	Stretto
19.3 tok/s 12–31 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	189.1 GB	Q8_0	Comodo
15.4 tok/s 9–25 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	189.1 GB	Q8_0	Comodo
15.4 tok/s 9–25 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	189.1 GB	Q8_0	Comodo
14.5 tok/s 9–23 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	148.2 GB	Q6_K	Stretto
14.5 tok/s 9–23 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	148.2 GB	Q6_K	Stretto
14.2 tok/s 9–23 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	107.2 GB	Q4_K_M	Stretto
14.2 tok/s 9–23 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	107.2 GB	Q4_K_M	Stretto
11.8 tok/s 7–19 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	107.2 GB	Q4_K_M	Stretto
11.6 tok/s 7–19 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	107.2 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	189.1 GB	Q8_0	Comodo
1.5 tok/s 1–2 · bassa fiducia	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	107.2 GB	Q4_K_M	Stretto
1.5 tok/s 1–2 · bassa fiducia	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	107.2 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: University of Turku,Hugging Face
Tipo di organizzazione: Academia,Industry
Paese: Finland, United States of America
Pubblicato: 3 November 2023
Autori: Risto Luukkonen, Ville Komulainen, Jouni Luoma, Anni Eskelinen, Jenna Kanerva, Hanna-Mari Kupari, Filip Ginter, Veronika Laippala, Niklas Muennighoff, Aleksandra Piktus, Thomas Wang, Nouamane Tazi, Teven Le Scao, Thomas Wolf, Osma Suominen, Samuli Sairanen, Mikko Merioksa, Jyrki Heinonen, Aija Vahtola, Samuel Antao, Sampo Pyysalo

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio: Language
Compito: Language modeling
Modello di base: BLOOM-176B

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: 176B
Dati di addestramento: 38,000,000,000 tokens
Epoche: 8
Dimensione del Batch: 4,194,304

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: AMD Radeon Instinct MI250X
Centro dati: LUMI Supercomputer

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: Unreleased
Hugging Face: TurkuNLP

Come è classificato

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

Modello di base: Yes
Perché è monitorato: SOTA improvement
Record fiducia: Likely
Citazioni: 70

Fonti

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

Riferimento: FinGPT: Large Generative Models for a Small Language
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono BLUUMI

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 BLUUMI

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

Il lato hardware

Scheda minima

Radeon Instinct MI250

Memoria necessaria

107.2 GB

Più veloce

28.4 tok/s

BLUUMI raggiunge un conteggio di parametri di 176B. Questo lo colloca al di sopra dell'hardware consumer, nella fascia in cui una CARD viene acquistata per questo scopo piuttosto che riadattata per esso. Il numero di CARD che teniamo traccia e che possono contenerlo: 17.

A basso prezzo è gestito da Radeon Instinct MI250, con una capacità di memoria di 128 GB, eseguendolo a una compressione di Q4_K_M e producendo circa 14.2 token al secondo

Il risultato più rapido proviene da Radeon Instinct MI300, generando approssimativamente 28.4 token al secondo sulla base di una larghezza di banda di VRAM 6,550 GB/s.

Informazioni su questo modello

BLUUMI è stato pubblicato da University of Turku,Hugging Face, nel paese registrato come Finland, durante November 2023. La categoria sotto cui rientra l'editore è academia,Industry.

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

Invece di essere addestrato da zero, è derivato da BLOOM-176B. Quello è il modo abituale in cui viene prodotto un modello specializzato.

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 TurkuNLP.

Quanto è veloce nel funzionare e perché

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 14.5 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 15 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 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.

Cosa è stato necessario per costruirlo

È stato addestrato su un corpus di circa 38,000,000,000 token di testo

Il motivo per cui appare in questo catalogo è: sOTA improvement.

Passo dopo passo

Come scegliere una GPU per BLUUMI

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

La tabella elenca ogni card in grado di contenere BLUUMI, avere bisogno di circa 107.2 GB a una compressione di Q4_K_M. La Capacità è il cancello — una card o la tiene o non la tiene.
02

Imposta la lunghezza del CONTEXT che utilizzerai.

Conversazioni più lunghe richiedono memoria oltre a ciò che i pesi necessitano. Muovi il cursore sulla tua reale lunghezza di lavoro prima di fidarti di qualsiasi riga per BLUUMI.
03

Decidi quanto spazio di compressione accetterai

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

Ordina per throughput piuttosto che per specifiche.

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per BLUUMI. 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 Radeon Instinct MI300, nella 28.4 tok/s
05

Guarda il margine, non solo l'adattamento

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

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. BLUUMI.

Risposte

BLUUMI — domande comuni

BLUUMI— 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 20.8 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

BLUUMI— due GPU lo farebbero andare più veloce?

La capacità si somma tra le schede; il throughput no. Il numero di schede che già la possiedono da sole: 17. Quindi una seconda CARD è raramente la risposta qui.

BLUUMI— 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: 3. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

BLUUMI— 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: 17–45 tok/s su Radeon Instinct MI300. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

BLUUMI— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Radeon Instinct MI250, con una capacità di memoria di 128 GB. Esegui il modello a una compressione di Q4_K_M utilizzando circa 107.2 GB, e produce approssimativamente 14.2 token al secondo. Il numero di card in grado di eseguirlo in totale: 17.

BLUUMI— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è Radeon Instinct MI300, circa 28.4 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: 15.

BLUUMI— quanta VRAM serve?

Ha bisogno di 107.2 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.

BLUUMI— 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.

BLUUMI— quanti parametri ha?

Ha un numero di parametri di 176B. 176 billion. 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.

BLUUMI— chi l'ha creato?

È stato pubblicato da University of Turku,Hugging Face, basato su Finland, un'organizzazione categorizzata come academia,Industry.

BLUUMI— quando è stato rilasciato?

È stato pubblicato in November 2023. 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.

BLUUMI— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.

BLUUMI— Dove posso scaricarlo?

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

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 25 May 2026

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