Gemma-SEA-LION-v4-27B-IT calcolatore TPS

Apri i pesi AI Singapore 27B parametri August 2025

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

241 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Xeon Phi 7120P

16 GB · Q3_K_M · 9.7 tok/s

Scheda più veloce

B200

125 tok/s · 180 GB

Quali GPU possono eseguire Gemma-SEA-LION-v4-27B-IT?

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.

241 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
125 tok/s 107–151	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	29.0 GB	Q8_0	Comodo
125 tok/s 107–151	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	29.0 GB	Q8_0	Comodo
100 tok/s 60–160 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	29.0 GB	Q8_0	Comodo
100 tok/s 60–160 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	29.0 GB	Q8_0	Comodo
80.1 tok/s 48–128 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	29.0 GB	Q8_0	Comodo
76.7 tok/s 65–92	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.0 GB	Q8_0	Comodo
76.7 tok/s 65–92	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.0 GB	Q8_0	Comodo
73.4 tok/s 44–117 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	29.0 GB	Q8_0	Comodo
65.2 tok/s 39–104 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Comodo
65.2 tok/s 39–104 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Comodo
65.2 tok/s 39–104 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	29.0 GB	Q8_0	Comodo
61.8 tok/s 53–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	29.0 GB	Q8_0	Comodo
52.7 tok/s 45–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Comodo
52.7 tok/s 45–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	29.0 GB	Q8_0	Comodo
52.7 tok/s 45–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Comodo
52.7 tok/s 45–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Comodo
52.7 tok/s 45–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	29.0 GB	Q8_0	Comodo
47.8 tok/s 41–57	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.3 GB	Q3_K_M	Stretto
42.6 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	22.7 GB	Q6_K	Comodo
42.6 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	22.7 GB	Q6_K	Comodo
40.8 tok/s 35–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	22.7 GB	Q6_K	Comodo
40.8 tok/s 35–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	22.7 GB	Q6_K	Comodo
40.6 tok/s 35–49	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.3 GB	Q3_K_M	Stretto
40.1 tok/s 24–64 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	29.0 GB	Q8_0	Comodo
40.1 tok/s 24–64 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	29.0 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: AI Singapore
Tipo di organizzazione: Government
Paese: Singapore
Pubblicato: 20 August 2025
Autori: Antonyrex Sajeban, Chan Hok Teng Adwin, Cheng Zi Yi Nicholas, Choa Hsueh Mei Esther, Heng Jonathan, Huang Yuli, Hulagadri Adithya Venkatadri, Jann Railey Estrada Montalan, Kang Siow Wei Bryan, Lau Wayne, Lee Chwan Ren, Leong Wai Yi, Leong Wei Qi, Limkonchotiwat Peerat, Muhammad Ridzuan Bin Mokhtar, Nagarajan Karthik, Ng Boon Cheong Raymond, Ngee Chia Tai, Ngui Jian Gang, Nguyen Thanh Ngan, Ong Jin…

Cosa fa

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

Dominio: Multimodal, Language, Vision
Compito: Language modeling/generation, Question answering, Visual question answering
Modello di base: Gemma 3 27B
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: 27B
Dati di addestramento: 500,000,000,000 tokens

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: 2.3 × 10²⁴ FLOP
Come è stato stabilito: Operation counting
Addestramento fine: 8.1 × 10²² FLOP

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 H200 SXM
Centro dati: Cloud Provider: SMC H200

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: Open source
Hugging Face: aisingapore

Come è classificato

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

Record fiducia: Confident

Fonti

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

Riferimento: SEA-LION v4
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono Gemma-SEA-LION-v4-27B-IT

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 Gemma-SEA-LION-v4-27B-IT

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

Xeon Phi 7120P

Memoria necessaria

13.3 GB

Più veloce

125 tok/s

Gemma-SEA-LION-v4-27B-IT raggiunge un conteggio di parametri di 27B. 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: 241.

A basso prezzo è gestito da Xeon Phi 7120P, con una capacità di memoria di 16 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 9.7 token al secondo

All'altra estremità si trova B200, generando approssimativamente 125 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Sfondo

Gemma-SEA-LION-v4-27B-IT è stato pubblicato da AI Singapore, nel paese registrato come Singapore, durante August 2025. La categoria sotto cui rientra l'editore è government.

Funziona nel dominio di Multimodal, Language, Vision, ed è registrato come eseguire il compito di language modeling/generation, Question answering, Visual question answering.

Invece di essere addestrato da zero, è derivato da Gemma 3 27B. 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 aisingapore.

Leggendo i dati di throughput

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 19.0 token al secondo. Superare la velocità di lettura in modo diretto: 196 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.

Poiché l'architettura è registrata, la colonna di memoria è derivata piuttosto che stimata.

Cosa è stato necessario per costruirlo

Il training ha richiesto un budget di calcolo di circa 2.3 × 10²⁴ FLOP, su hardware registrato come NVIDIA H200 SXM. 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 500,000,000,000 token di testo

Passo dopo passo

Come scegliere una GPU per Gemma-SEA-LION-v4-27B-IT

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

Inizia dalla colonna VRAM

Inizia da ciò di cui ha realmente bisogno, ovvero il requisito di Gemma-SEA-LION-v4-27B-IT, avere bisogno di circa 13.3 GB a una compressione di Q3_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 Gemma-SEA-LION-v4-27B-IT.
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 Gemma-SEA-LION-v4-27B-IT. 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 125 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 Gemma-SEA-LION-v4-27B-IT. 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 Gemma-SEA-LION-v4-27B-IT.

Risposte

Gemma-SEA-LION-v4-27B-IT — domande comuni

Gemma-SEA-LION-v4-27B-IT— A cosa serve?

Funziona nel dominio di Multimodal, Language, Vision, e viene registrato come gestire il compito di language modeling/generation, Question answering, Visual question answering. 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.

Gemma-SEA-LION-v4-27B-IT— Dove posso scaricarlo?

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

Gemma-SEA-LION-v4-27B-IT— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 2.3 × 10²⁴ FLOP, su hardware registrato come NVIDIA H200 SXM. 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.

Gemma-SEA-LION-v4-27B-IT— 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 5.6 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

Gemma-SEA-LION-v4-27B-IT— 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: 241. Quindi una seconda CARD è raramente la risposta qui.

Gemma-SEA-LION-v4-27B-IT— 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: 5. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Gemma-SEA-LION-v4-27B-IT— 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: 107–151 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.

Gemma-SEA-LION-v4-27B-IT— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Xeon Phi 7120P, con una capacità di memoria di 16 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 13.3 GB, e produce approssimativamente 9.7 token al secondo. Il numero di card in grado di eseguirlo in totale: 241.

Gemma-SEA-LION-v4-27B-IT— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 125 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: 196.

Gemma-SEA-LION-v4-27B-IT— quanta VRAM serve?

Ha bisogno di 13.3 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.

Gemma-SEA-LION-v4-27B-IT— 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 Q3_K_M, utilizzando circa 13.3 GB e generando approssimativamente 47.8 token al secondo. Il fit è stretto.

Gemma-SEA-LION-v4-27B-IT— 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 Q5_K_M, utilizzando circa 19.5 GB e generando approssimativamente 37.5 token al secondo. Il fit è stretto.

Gemma-SEA-LION-v4-27B-IT— 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.

Gemma-SEA-LION-v4-27B-IT— quanti parametri ha?

Ha un numero di parametri di 27B. 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.

Gemma-SEA-LION-v4-27B-IT— chi l'ha creato?

È stato pubblicato da AI Singapore, basato su Singapore, un'organizzazione categorizzata come government.

Gemma-SEA-LION-v4-27B-IT— quando è stato rilasciato?

È stato pubblicato in August 2025.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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