CodeGen2 calcolatore TPS

Apri i pesi Salesforce 16B parametri May 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

306 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

P102-101

10 GB · Q3_K_M · 19.5 tok/s

Scheda più veloce

B200

212 tok/s · 180 GB

Quali GPU possono eseguire CodeGen2?

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.

306 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
212 tok/s 127–339 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	17.8 GB	Q8_0	Comodo
212 tok/s 127–339 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	17.8 GB	Q8_0	Comodo
169 tok/s 101–271 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	17.8 GB	Q8_0	Comodo
169 tok/s 101–271 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	17.8 GB	Q8_0	Comodo
135 tok/s 81–216 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	17.8 GB	Q8_0	Comodo
129 tok/s 78–207 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.8 GB	Q8_0	Comodo
129 tok/s 78–207 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	17.8 GB	Q8_0	Comodo
124 tok/s 74–198 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	17.8 GB	Q8_0	Comodo
111 tok/s 67–178 · bassa fiducia	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.5 GB	Q3_K_M	Stretto
110 tok/s 66–176 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	17.8 GB	Q8_0	Comodo
110 tok/s 66–176 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	17.8 GB	Q8_0	Comodo
110 tok/s 66–176 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	17.8 GB	Q8_0	Comodo
104 tok/s 63–167 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	17.8 GB	Q8_0	Comodo
88.9 tok/s 53–142 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.8 GB	Q8_0	Comodo
88.9 tok/s 53–142 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	17.8 GB	Q8_0	Comodo
88.9 tok/s 53–142 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	17.8 GB	Q8_0	Comodo
88.9 tok/s 53–142 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	17.8 GB	Q8_0	Comodo
88.9 tok/s 53–142 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	17.8 GB	Q8_0	Comodo
67.7 tok/s 41–108 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	17.8 GB	Q8_0	Comodo
67.7 tok/s 41–108 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	17.8 GB	Q8_0	Comodo
56.4 tok/s 34–90 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	17.8 GB	Q8_0	Comodo
55.8 tok/s 33–89 · bassa fiducia	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q4_K_M	Stretto
55.8 tok/s 33–89 · bassa fiducia	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q4_K_M	Stretto
55.2 tok/s 33–88 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	17.8 GB	Q8_0	Comodo
54.3 tok/s 33–87 · bassa fiducia	CMP 90HX NVIDIA	10 GB	760 GB/s	Jul 2021	8.5 GB	Q3_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: Salesforce
Tipo di organizzazione: Industry
Paese: United States of America
Pubblicato: 3 May 2023
Autori: Erik Nijkamp, Hiroaki Hayashi, Caiming Xiong, Silvio Savarese, Yingbo Zhou

Cosa fa

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

Dominio: Language
Compito: Code 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: 16B
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)

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: Confident
Citazioni: 235

Fonti

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

Riferimento: CodeGen2: Lessons for Training LLMs on Programming and Natural Languages
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono CodeGen2

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 CodeGen2

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

P102-101

Memoria necessaria

8.5 GB

Più veloce

212 tok/s

CodeGen2 raggiunge un conteggio di parametri di 16B. 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: 306.

L'hardware minimo che funziona è P102-101, con una capacità di memoria di 10 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 19.5 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 212 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

CodeGen2 è stato pubblicato da Salesforce, nel paese registrato come United States of America, durante May 2023. L'organizzazione di pubblicazione è classificata come industry.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di code generation.

I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato.

Comprendere le velocità

Il risultato mediano è attorno 19.8 token al secondo 259 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 CodeGen2

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 CodeGen2, avere bisogno di circa 8.5 GB a una compressione di Q3_K_M. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Imposta la lunghezza del CONTEXT che utilizzerai.

Imposta il contesto su ciò che utilizzerai effettivamente. La cache cresce con la conversazione, ed è il motivo consueto per cui una card che sembrava a posto smette di adattarsi. CodeGen2.
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

Ordina per velocità per vedere come si classificano le schede per CodeGen2. 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 212 tok/s
05

Controlla il giudizio di compatibilità prima di acquistare

Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di CodeGen2. 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 CodeGen2.

Risposte

CodeGen2 — domande comuni

CodeGen2— 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 Q6_K, utilizzando circa 14.1 GB e generando approssimativamente 43.5 token al secondo. Il fit è stretto.

CodeGen2— 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 17.8 GB e generando approssimativamente 35.5 token al secondo. Il fit è comodo.

CodeGen2— 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.

CodeGen2— quanti parametri ha?

Ha un numero di parametri di 16B. 16B for largest CodeGen2 model. 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.

CodeGen2— chi l'ha creato?

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

CodeGen2— quando è stato rilasciato?

È stato pubblicato in May 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.

CodeGen2— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di code generation. 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.

CodeGen2— 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.

CodeGen2— 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 3.2 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

CodeGen2— 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: 306. Quindi una seconda CARD è raramente la risposta qui.

CodeGen2— 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.

CodeGen2— quanto sono accurate queste stime di velocità?

Queste sono stime con barre di errore reali, e ognuna di esse potrebbe ragionevolmente collocarsi ovunque nel suo intervallo pubblicato a seconda del runtime che utilizzi. Il risultato più veloce qui: 127–339 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.

CodeGen2— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è P102-101, con una capacità di memoria di 10 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 8.5 GB, e produce approssimativamente 19.5 token al secondo. Il numero di card in grado di eseguirlo in totale: 306.

CodeGen2— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 212 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: 259.

CodeGen2— quanta VRAM serve?

Ha bisogno di 8.5 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.

CodeGen2— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q4_K_M, utilizzando circa 10.4 GB e generando approssimativamente 55.8 token al secondo. Il fit è stretto.

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