data2vec (language) calcolatore TPS

Apri i pesi Meta AI 705.1M parametri January 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

818 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla C1080

4 GB · Q8_0 · 52.3 tok/s

Scheda più veloce

B200

4,805 tok/s · 180 GB

Quali GPU possono eseguire data2vec (language)?

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
4,805 tok/s 2,883–7,688 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.5 GB	Q8_0	Comodo
4,805 tok/s 2,883–7,688 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.5 GB	Q8_0	Comodo
3,837 tok/s 2,302–6,139 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.5 GB	Q8_0	Comodo
3,837 tok/s 2,302–6,139 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.5 GB	Q8_0	Comodo
3,069 tok/s 1,841–4,910 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.5 GB	Q8_0	Comodo
2,937 tok/s 1,762–4,699 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.5 GB	Q8_0	Comodo
2,937 tok/s 1,762–4,699 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.5 GB	Q8_0	Comodo
2,811 tok/s 1,687–4,498 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.5 GB	Q8_0	Comodo
2,495 tok/s 1,497–3,992 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.5 GB	Q8_0	Comodo
2,495 tok/s 1,497–3,992 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.5 GB	Q8_0	Comodo
2,495 tok/s 1,497–3,992 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.5 GB	Q8_0	Comodo
2,367 tok/s 1,420–3,786 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.5 GB	Q8_0	Comodo
2,018 tok/s 1,211–3,229 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.5 GB	Q8_0	Comodo
2,018 tok/s 1,211–3,229 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.5 GB	Q8_0	Comodo
2,018 tok/s 1,211–3,229 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.5 GB	Q8_0	Comodo
2,018 tok/s 1,211–3,229 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.5 GB	Q8_0	Comodo
2,018 tok/s 1,211–3,229 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.5 GB	Q8_0	Comodo
1,537 tok/s 922–2,459 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.5 GB	Q8_0	Comodo
1,537 tok/s 922–2,459 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.5 GB	Q8_0	Comodo
1,281 tok/s 768–2,049 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.5 GB	Q8_0	Comodo
1,253 tok/s 752–2,005 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.5 GB	Q8_0	Comodo
1,225 tok/s 735–1,960 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.5 GB	Q8_0	Comodo
1,225 tok/s 735–1,960 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.5 GB	Q8_0	Comodo
1,225 tok/s 735–1,960 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.5 GB	Q8_0	Comodo
1,225 tok/s 735–1,960 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.5 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: Meta AI
Tipo di organizzazione: Industry
Paese: United States of America
Pubblicato: 20 January 2022
Autori: Alexei Baevski, Wei-Ning Hsu, Qiantong Xu , Arun Babu, Jiatao Gu, Michael Auli

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
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: 705.1M
Dati di addestramento: 131,072,000,000 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)
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: Likely
Citazioni: 1,021

Fonti

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

Riferimento: Data2vec: A General Framework for Self-supervised Learning in Speech, Vision and Language
Ultimo aggiornamento: 11 February 2026

Gli estremi

Le dieci GPU più veloci che eseguono data2vec (language)

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 data2vec (language)

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 serve per eseguire questo modello

Scheda minima

Tesla C1080

Memoria necessaria

1.5 GB

Più veloce

4,805 tok/s

data2vec (language) raggiunge un conteggio di parametri di 705.1M. 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.

La scheda più piccola che lo tiene è Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q8_0 e producendo circa 52.3 token al secondo

Il più veloce che calcoliamo per esso è B200, generando approssimativamente 4,805 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

data2vec (language) è stato pubblicato da Meta AI, nel paese registrato come United States of America, durante January 2022. La categoria sotto cui rientra l'editore è industry.

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

I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.

Comprendere le velocità

Meta delle schede che lo supportano gestiscono più di 134.9 token al secondo 809 di loro

Essendo denso, legge tutto se stesso per token, motivo per cui l'ordinamento per velocità qui sotto segue da vicino l'ordinamento per larghezza di banda della memoria.

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

L'addestramento ha consumato un corpus di circa 131,072,000,000 token di testo

Il suo criterio di inclusione: sOTA improvement.

Passo dopo passo

Come scegliere una GPU per data2vec (language)

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 data2vec (language), avere bisogno di circa 1.5 GB a una compressione di Q8_0. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
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 data2vec (language).
03

Imposta un pavimento di qualità

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 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 data2vec (language). 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 4,805 tok/s
05

Guarda il margine, non solo l'adattamento

La colonna della compatibilità separa le schede che riescono appena a farlo da quelle con spazio in più, nel caso di data2vec (language). 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 nome di scheda è collegato alla propria pagina, che esegue lo stesso calcolo su tutto il catalogo dei modelli. Una scheda è solitamente acquistata per più di un modello, quindi vale la pena dare un'occhiata prima di acquistare. data2vec (language).

Risposte

data2vec (language) — domande comuni

data2vec (language)— 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.

data2vec (language)— 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: 818. Quindi una seconda CARD è raramente la risposta qui.

data2vec (language)— perché la quantizzazione differisce tra le schede?

Ogni card è mostrata mentre esegue la copia meno compressa che può contenere. Il numero di livelli di compressione distinti tra le card che si adattano: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

data2vec (language)— quanto sono accurate queste stime di velocità?

Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: 2,883–7,688 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.

data2vec (language)— 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 1.5 GB, e produce approssimativamente 52.3 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

data2vec (language)— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 4,805 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: 809.

data2vec (language)— quanta VRAM serve?

Ha bisogno di 1.5 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.

data2vec (language)— 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 1.5 GB e generando approssimativamente 895 token al secondo. Il fit è comodo.

data2vec (language)— 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 1.5 GB e generando approssimativamente 548 token al secondo. Il fit è comodo.

data2vec (language)— 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 1.5 GB e generando approssimativamente 679 token al secondo. Il fit è comodo.

data2vec (language)— 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 1.5 GB e generando approssimativamente 805 token al secondo. Il fit è comodo.

data2vec (language)— 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.

data2vec (language)— quanti parametri ha?

Ha un numero di parametri di 705.1M. Section 4: "We experiment with two model sizes: data2vec Base and data2vec Large, containing either L = 12 or L = 24 Trans- former blocks with H = 768 or H = 1024 hidden dimen- sion (with 4 × H feed-forward inner-dimension)". 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.

data2vec (language)— chi l'ha creato?

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

data2vec (language)— quando è stato rilasciato?

È stato pubblicato in January 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.

data2vec (language)— A cosa serve?

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

data2vec (language)— 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 11 February 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