BLOOM-176B calcolatore TPS

Apri i pesi Hugging Face,BigScience 176.2B parametri July 2022

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

28.3 tok/s · 128 GB

Quali GPU possono eseguire BLOOM-176B?

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
28.3 tok/s 17–45 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	107.3 GB	Q4_K_M	Stretto
27.9 tok/s 17–45 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	148.4 GB	Q6_K	Stretto
27.1 tok/s 16–43 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	107.3 GB	Q4_K_M	Stretto
27.1 tok/s 16–43 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	107.3 GB	Q4_K_M	Stretto
23.0 tok/s 14–37 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	107.3 GB	Q4_K_M	Stretto
19.2 tok/s 12–31 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	189.4 GB	Q8_0	Comodo
15.4 tok/s 9–25 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	189.4 GB	Q8_0	Comodo
15.4 tok/s 9–25 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	189.4 GB	Q8_0	Comodo
14.5 tok/s 9–23 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	148.4 GB	Q6_K	Stretto
14.5 tok/s 9–23 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	148.4 GB	Q6_K	Stretto
14.2 tok/s 9–23 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	107.3 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	107.3 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	107.3 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	107.3 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	189.4 GB	Q8_0	Comodo
1.5 tok/s 1–2 · bassa fiducia	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	107.3 GB	Q4_K_M	Stretto
1.5 tok/s 1–2 · bassa fiducia	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	107.3 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: Hugging Face,BigScience
Tipo di organizzazione: Industry,Research collective
Paese: United States of America, France
Pubblicato: 11 July 2022
Autori: Margaret Mitchell, Giada Pistilli, Yacine Jernite, Ezinwanne Ozoani, Marissa Gerchick, Nazneen Rajani, Sasha Luccioni, Irene Solaiman, Maraim Masoud, Somaieh Nikpoor, Carlos Muñoz Ferrandis, Stas Bekman, Christopher Akiki, Danish Contractor, David Lansky, Angelina McMillan-Major, Tristan Thrush, Suzana Ilić, Gérard Dupont, Shayne Longpre, Manan Dey, Stella Biderman, Douwe Kiela, Emi Baylor, Teven …

Cosa fa

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

Dominio: Language
Compito: Language modeling, Translation, Code generation
Approccio: Self-supervised learning
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: 176.2B
Dati di addestramento: 379,000,000,000 tokens
Epoche: 1
Dimensione del Batch: 4,194,304

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: 3.7 × 10²³ FLOP
Come è stato stabilito: 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 80 GB
Chip utilizzati: 384
Chip-ore: 1,078,272
Tempo di parete: 2,808 hours (117 days)
Utilizzo dell'hardware: HFU 50.0%
Consumo energetico: 308.0 kW
Costo di calcolo: $995,819

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

Come è classificato

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

Modello di base: Yes
Probabilmente sopra 10²³ FLOP: Yes
Perché è monitorato: Historical significance,Highly cited
Record fiducia: Confident
Citazioni: 2,917

Fonti

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

Riferimento: BLOOM: A 176B-Parameter Open-Access Multilingual Language Model
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono BLOOM-176B

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 BLOOM-176B

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

Radeon Instinct MI250

Memoria necessaria

107.3 GB

Più veloce

28.3 tok/s

BLOOM-176B raggiunge un conteggio di parametri di 176.2B. 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.

Il punto di ingresso è 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 più veloce che calcoliamo per esso è Radeon Instinct MI300, generando approssimativamente 28.3 token al secondo sulla base di una larghezza di banda di VRAM 6,550 GB/s.

Informazioni su questo modello

BLOOM-176B è stato pubblicato da Hugging Face,BigScience, nel paese registrato come United States of America, durante July 2022. L'organizzazione di pubblicazione è classificata come industry,Research collective.

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

Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato.

Quanto è veloce nel funzionare e perché

Meta delle schede che lo supportano gestiscono più di 14.5 token al secondo. Superare la velocità di lettura in modo diretto: 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.

Senza il layout di attenzione in archivio, la colonna della memoria è un'approssimazione. È abbastanza vicino per scegliere l'hardware e meno affidabile con contesto lungo.

Cosa è stato necessario per costruirlo

La produzione di esso ha richiesto un'aritmetica totale di circa 3.7 × 10²³ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 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 379,000,000,000 token di testo

Il motivo per cui appare in questo catalogo è: historical significance,Highly cited.

Passo dopo passo

Come scegliere una GPU per BLOOM-176B

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 BLOOM-176B, avere bisogno di circa 107.3 GB a una compressione di Q4_K_M. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Corrispondi il contesto al tuo utilizzo attuale

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. BLOOM-176B.
03

Scegli quanto lontano lo comprimerai

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 velocità

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per BLOOM-176B. 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 28.3 tok/s
05

Guarda il margine, non solo l'adattamento

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di BLOOM-176B. 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

Vedi cos'altro che questa card esegue

Ogni pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a BLOOM-176B.

Risposte

BLOOM-176B — domande comuni

BLOOM-176B— 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: 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.

BLOOM-176B— 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 107.3 GB, e produce approssimativamente 14.2 token al secondo. Il numero di card in grado di eseguirlo in totale: 17.

BLOOM-176B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è Radeon Instinct MI300, circa 28.3 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.

BLOOM-176B— quanta VRAM serve?

Ha bisogno di 107.3 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.

BLOOM-176B— 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.

BLOOM-176B— quanti parametri ha?

Ha un numero di parametri di 176.2B. See "Technical Specifications" on Hugging Face: https://huggingface.co/bigscience/bloom. 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.

BLOOM-176B— chi l'ha creato?

È stato pubblicato da Hugging Face,BigScience, basato su United States of America, un'organizzazione categorizzata come industry,Research collective.

BLOOM-176B— quando è stato rilasciato?

È stato pubblicato in July 2022. 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.

BLOOM-176B— A cosa serve?

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

BLOOM-176B— 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.

BLOOM-176B— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 3.7 × 10²³ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 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.

BLOOM-176B— 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 20.9 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

BLOOM-176B— 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.

BLOOM-176B— 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.

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