Pythia-160m calcolatore TPS

Apri i pesi EleutherAI,Booz Allen Hamilton, McLean,University of Cambridge,Indraprastha Institute of Information Technology Delhi,Stability AI,datasaur.ai,University of Amsterdam 160M parametri April 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

818 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla C1080

4 GB · Q8_0 · 230 tok/s

Scheda più veloce

B200

21,176 tok/s · 180 GB

Quali GPU possono eseguire Pythia-160m?

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.

818 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
21,176 tok/s 12,706–33,882 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.9 GB	Q8_0	Comodo
21,176 tok/s 12,706–33,882 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.9 GB	Q8_0	Comodo
16,910 tok/s 10,146–27,056 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Comodo
16,910 tok/s 10,146–27,056 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Comodo
13,524 tok/s 8,114–21,638 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.9 GB	Q8_0	Comodo
12,944 tok/s 7,766–20,711 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Comodo
12,944 tok/s 7,766–20,711 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Comodo
12,388 tok/s 7,433–19,821 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.9 GB	Q8_0	Comodo
10,995 tok/s 6,597–17,591 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Comodo
10,995 tok/s 6,597–17,591 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Comodo
10,995 tok/s 6,597–17,591 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Comodo
10,429 tok/s 6,258–16,687 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.9 GB	Q8_0	Comodo
8,894 tok/s 5,336–14,231 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Comodo
8,894 tok/s 5,336–14,231 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.9 GB	Q8_0	Comodo
8,894 tok/s 5,336–14,231 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Comodo
8,894 tok/s 5,336–14,231 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Comodo
8,894 tok/s 5,336–14,231 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Comodo
6,772 tok/s 4,063–10,836 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Comodo
6,772 tok/s 4,063–10,836 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Comodo
5,644 tok/s 3,386–9,030 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.9 GB	Q8_0	Comodo
5,523 tok/s 3,314–8,837 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.9 GB	Q8_0	Comodo
5,400 tok/s 3,240–8,640 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.9 GB	Q8_0	Comodo
5,400 tok/s 3,240–8,640 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.9 GB	Q8_0	Comodo
5,400 tok/s 3,240–8,640 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.9 GB	Q8_0	Comodo
5,400 tok/s 3,240–8,640 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.9 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: EleutherAI,Booz Allen Hamilton, McLean,University of Cambridge,Indraprastha Institute of Information Technology Delhi,Stability AI,datasaur.ai,University of Amsterdam
Tipo di organizzazione: Research collective,Industry,Academia,Academia,Industry,Industry,Academia
Paese: United States of America, United Kingdom of Great Britain and Northern Ireland, India, Netherlands
Pubblicato: 3 April 2023
Autori: Stella Biderman, Hailey Schoelkopf, Quentin Anthony, Herbie Bradley, Kyle O'Brien, Eric Hallahan, Mohammad Aflah Khan, Shivanshu Purohit, USVSN Sai Prashanth, Edward Raff, Aviya Skowron, Lintang Sutawika, Oskar van der Wal

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: 160M
Dati di addestramento: 299,892,736,000 tokens
Epoche: 1

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: 2.9 × 10²⁰ FLOP
Come è stato stabilito: Operation counting,Hardware

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 A100 SXM4 40 GB
Chip utilizzati: 32
Chip-ore: 1,030
Consumo energetico: 25.5 kW
Fornitore di cloud: Amazon Web Services
Centro dati: AWS US East

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
Citazioni: 1,862
Dati di benchmark: Pythia-160m

Fonti

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

Riferimento: Pythia: A Suite for Analyzing Large Language Models Across Training and Scaling
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono Pythia-160m

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 Pythia-160m

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

Tesla C1080

Memoria necessaria

0.9 GB

Più veloce

21,176 tok/s

Pythia-160m raggiunge un conteggio di parametri di 160M. 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: 818.

A basso prezzo è gestito da Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q8_0 e producendo circa 230 token al secondo

All'altra estremità si trova B200, generando approssimativamente 21,176 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

Pythia-160m è stato pubblicato da EleutherAI,Booz Allen Hamilton, McLean,University of Cambridge,Indraprastha Institute of Information Technology Delhi,Stability AI,datasaur.ai,University of Amsterdam, nel paese registrato come United States of America, durante April 2023. L'organizzazione di pubblicazione è classificata come research collective,Industry,Academia,Academia,Industry,Industry,Academia.

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.

Comprendere le velocità

Meta delle schede che lo supportano gestiscono più di 594.6 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 818 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

Il run di addestramento ha consumato circa 2.9 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100 SXM4 40 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Il set di addestramento si aggirava attorno a 299,892,736,000 token di testo

Passo dopo passo

Come scegliere una GPU per Pythia-160m

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

Inizia da ciò di cui ha realmente bisogno, ovvero il requisito di Pythia-160m, avere bisogno di circa 0.9 GB a una compressione di Q8_0. 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

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. Pythia-160m.
03

Scegli quanto lontano lo comprimerai

Ogni card esegue la copia meno compressa che può contenere., raggiungendo una compressione di Q8_0 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 Pythia-160m. 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 21,176 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 Pythia-160m. 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 pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a Pythia-160m.

Risposte

Pythia-160m — domande comuni

Pythia-160m— quanto sono accurate queste stime di velocità?

Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: 12,706–33,882 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.

Pythia-160m— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Tesla C1080, con una capacità di memoria di 4 GB. Esegui il modello a una compressione di Q8_0 utilizzando circa 0.9 GB, e produce approssimativamente 230 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

Pythia-160m— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 21,176 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: 818.

Pythia-160m— quanta VRAM serve?

Ha bisogno di 0.9 GB a una compressione di Q8_0, 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.

Pythia-160m— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q8_0, utilizzando circa 0.9 GB e generando approssimativamente 3,944 token al secondo. Il fit è comodo.

Pythia-160m— 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 0.9 GB e generando approssimativamente 2,415 token al secondo. Il fit è comodo.

Pythia-160m— 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 0.9 GB e generando approssimativamente 2,991 token al secondo. Il fit è comodo.

Pythia-160m— 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 0.9 GB e generando approssimativamente 3,547 token al secondo. Il fit è comodo.

Pythia-160m— 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.

Pythia-160m— quanti parametri ha?

Ha un numero di parametri di 160M. See Table 1 for non-embedding parameters. 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.

Pythia-160m— chi l'ha creato?

È stato pubblicato da EleutherAI,Booz Allen Hamilton, McLean,University of Cambridge,Indraprastha Institute of Information Technology Delhi,Stability AI,datasaur.ai,University of Amsterdam, basato su United States of America, un'organizzazione categorizzata come research collective,Industry,Academia,Academia,Industry,Industry,Academia.

Pythia-160m— quando è stato rilasciato?

È stato pubblicato in April 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.

Pythia-160m— A cosa serve?

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

Pythia-160m— 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.

Pythia-160m— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 2.9 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100 SXM4 40 GB. 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.

Pythia-160m— 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. Ogni figura qui presume che l'intero modello sia residente sulla scheda.

Pythia-160m— 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: 818. Quindi una seconda CARD è raramente la risposta qui.

Pythia-160m— 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: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

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