NLLB calcolatore TPS

Apri i pesi Meta AI 54.5B 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

92 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

FirePro S9170

32 GB · Q3_K_M · 5.2 tok/s

Scheda più veloce

B200

62.2 tok/s · 180 GB

Quali GPU possono eseguire NLLB?

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.

92 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
62.2 tok/s 37–99 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	59.0 GB	Q8_0	Comodo
62.2 tok/s 37–99 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	59.0 GB	Q8_0	Comodo
49.6 tok/s 30–79 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	59.0 GB	Q8_0	Comodo
49.6 tok/s 30–79 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	59.0 GB	Q8_0	Comodo
39.7 tok/s 24–64 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	59.0 GB	Q8_0	Comodo
39.2 tok/s 24–63 · bassa fiducia	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	27.3 GB	Q3_K_M	Stretto
39.2 tok/s 24–63 · bassa fiducia	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	27.3 GB	Q3_K_M	Stretto
38.0 tok/s 23–61 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	59.0 GB	Q8_0	Comodo
38.0 tok/s 23–61 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	59.0 GB	Q8_0	Comodo
37.5 tok/s 23–60 · bassa fiducia	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.3 GB	Q3_K_M	Stretto
37.5 tok/s 23–60 · bassa fiducia	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	27.3 GB	Q3_K_M	Stretto
36.4 tok/s 22–58 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	59.0 GB	Q8_0	Comodo
32.3 tok/s 19–52 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Comodo
32.3 tok/s 19–52 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Comodo
32.3 tok/s 19–52 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	59.0 GB	Q8_0	Comodo
30.6 tok/s 18–49 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	59.0 GB	Q8_0	Comodo
28.0 tok/s 17–45 · bassa fiducia	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.7 GB	Q4_K_M	Stretto
28.0 tok/s 17–45 · bassa fiducia	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.7 GB	Q4_K_M	Stretto
28.0 tok/s 17–45 · bassa fiducia	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.7 GB	Q4_K_M	Stretto
26.1 tok/s 16–42 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Comodo
26.1 tok/s 16–42 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	59.0 GB	Q8_0	Comodo
26.1 tok/s 16–42 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Comodo
26.1 tok/s 16–42 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Comodo
26.1 tok/s 16–42 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	59.0 GB	Q8_0	Comodo
26.0 tok/s 16–42 · bassa fiducia	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	40.0 GB	Q5_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: Meta AI
Tipo di organizzazione: Industry
Paese: United States of America
Pubblicato: 6 July 2022
Autori: Marta R. Costa-jussà, James Cross, Onur Çelebi, Maha Elbayad, Kenneth Heafield, Kevin Heffernan, Elahe Kalbassi, Janice Lam, Daniel Licht, Jean Maillard, Anna Sun, Skyler Wang, Guillaume Wenzek, Al Youngblood, Bapi Akula, Loic Barrault, Gabriel Mejia Gonzalez, Prangthip Hansanti, John Hoffman, Semarley Jarrett, Kaushik Ram Sadagopan, Dirk Rowe, Shannon Spruit, Chau Tran, Pierre Andrews, Necip Fazi…

Cosa fa

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

Dominio: Language
Compito: Translation
Approccio: Self-supervised learning
Formato numerico: FP16

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: 54.5B
Dati di addestramento: 300,000,000,000 tokens
Dimensione del Batch: 1,000,000

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: 1.8 × 10²² 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-ore: 59,168
Costo di calcolo: $50,667

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.

Perché è monitorato: SOTA improvement
Record fiducia: Confident
Citazioni: 1,569

Fonti

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

Riferimento: No Language Left Behind: Scaling Human-Centered Machine Translation
Ultimo aggiornamento: 1 January 2026

Gli estremi

Le dieci GPU più veloci che eseguono NLLB

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 NLLB

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

FirePro S9170

Memoria necessaria

27.3 GB

Più veloce

62.2 tok/s

NLLB raggiunge un conteggio di parametri di 54.5B. 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: 92.

Il punto di ingresso è FirePro S9170, con una capacità di memoria di 32 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 5.2 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 62.2 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Informazioni su questo modello

NLLB è stato pubblicato da Meta AI, nel paese registrato come United States of America, durante July 2022. La categoria sotto cui rientra l'editore è industry.

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

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

Quanto è veloce nel funzionare e perché

Il risultato mediano è attorno 15.9 token al secondo. Superare la velocità di lettura in modo diretto: 72 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 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.

Come è stato addestrato

Il run di addestramento ha consumato circa 1.8 × 10²² 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.

È stato addestrato su un corpus di circa 300,000,000,000 token di testo

Il suo criterio di inclusione: sOTA improvement.

Passo dopo passo

Come scegliere una GPU per NLLB

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

Ogni card qui è stata controllata contro NLLB, avere bisogno di circa 27.3 GB a una compressione di Q3_K_M. La Capacità è il cancello — una card o la tiene o non la tiene.
02

Corrispondi il contesto al tuo utilizzo attuale

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 NLLB.
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 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.

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per NLLB. 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 62.2 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 NLLB. 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 NLLB.

Risposte

NLLB — domande comuni

NLLB— quanti parametri ha?

Ha un numero di parametri di 54.5B. Section 8.2.4: "The model has a total of 54.5B parameters and FLOPs similar to that of a 3.3B dense 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.

NLLB— chi l'ha creato?

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

NLLB— 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.

NLLB— A cosa serve?

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

NLLB— 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.

NLLB— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 1.8 × 10²² 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.

NLLB— 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 8.5 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

NLLB— 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: 92. Quindi una seconda CARD è raramente la risposta qui.

NLLB— 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.

NLLB— 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: 37–99 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.

NLLB— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è FirePro S9170, con una capacità di memoria di 32 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 27.3 GB, e produce approssimativamente 5.2 token al secondo. Il numero di card in grado di eseguirlo in totale: 92.

NLLB— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 62.2 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: 72.

NLLB— quanta VRAM serve?

Ha bisogno di 27.3 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.

NLLB— 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 1 January 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