Denoising Diffusion Probabilistic Models (LSUN Bedroom) calcolatore TPS

Apri i pesi University of California (UC) Berkeley 256M parametri June 2021

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 · 144 tok/s

Scheda più veloce

B200

13,235 tok/s · 180 GB

Quali GPU possono eseguire Denoising Diffusion Probabilistic Models (LSUN Bedroom)?

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
13,235 tok/s 7,941–21,176 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.0 GB	Q8_0	Comodo
13,235 tok/s 7,941–21,176 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.0 GB	Q8_0	Comodo
10,569 tok/s 6,341–16,910 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Comodo
10,569 tok/s 6,341–16,910 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Comodo
8,452 tok/s 5,071–13,524 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.0 GB	Q8_0	Comodo
8,090 tok/s 4,854–12,944 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Comodo
8,090 tok/s 4,854–12,944 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Comodo
7,743 tok/s 4,646–12,388 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.0 GB	Q8_0	Comodo
6,872 tok/s 4,123–10,995 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Comodo
6,872 tok/s 4,123–10,995 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Comodo
6,872 tok/s 4,123–10,995 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Comodo
6,518 tok/s 3,911–10,429 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.0 GB	Q8_0	Comodo
5,559 tok/s 3,335–8,894 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Comodo
5,559 tok/s 3,335–8,894 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.0 GB	Q8_0	Comodo
5,559 tok/s 3,335–8,894 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Comodo
5,559 tok/s 3,335–8,894 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Comodo
5,559 tok/s 3,335–8,894 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Comodo
4,233 tok/s 2,540–6,772 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Comodo
4,233 tok/s 2,540–6,772 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Comodo
3,527 tok/s 2,116–5,644 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.0 GB	Q8_0	Comodo
3,452 tok/s 2,071–5,523 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.0 GB	Q8_0	Comodo
3,375 tok/s 2,025–5,400 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.0 GB	Q8_0	Comodo
3,375 tok/s 2,025–5,400 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.0 GB	Q8_0	Comodo
3,375 tok/s 2,025–5,400 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.0 GB	Q8_0	Comodo
3,375 tok/s 2,025–5,400 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.0 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: University of California (UC) Berkeley
Tipo di organizzazione: Academia
Paese: United States of America
Pubblicato: 11 June 2021
Autori: Jonathan Ho, Ajay Jain, Pieter Abbeel

Cosa fa

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

Dominio: Vision
Compito: Image generation

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: 256M
Dati di addestramento: 596,320,321,536 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: 7.8 × 10¹⁹ 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: Google TPU v3
Costo di calcolo: $436

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: Highly cited,SOTA improvement
Record fiducia: Confident
Citazioni: 30,642

Fonti

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

Riferimento: Denoising Diffusion Probabilistic Models
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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 Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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

Tesla C1080

Memoria necessaria

1.0 GB

Più veloce

13,235 tok/s

Denoising Diffusion Probabilistic Models (LSUN Bedroom) raggiunge un conteggio di parametri di 256M. 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.

Il punto di ingresso è Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q8_0 e producendo circa 144 token al secondo

Il più veloce che calcoliamo per esso è B200, generando approssimativamente 13,235 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Informazioni su questo modello

Denoising Diffusion Probabilistic Models (LSUN Bedroom) è stato pubblicato da University of California (UC) Berkeley, nel paese registrato come United States of America, durante June 2021. L'organizzazione di pubblicazione è classificata come academia.

Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image generation.

I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile.

Quanto è veloce nel funzionare e perché

Il risultato mediano è attorno 371.7 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 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

La produzione di esso ha richiesto un'aritmetica totale di circa 7.8 × 10¹⁹ FLOP, su hardware registrato come Google TPU v3. 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 596,320,321,536 token di testo

Il suo criterio di inclusione: highly cited,SOTA improvement.

Passo dopo passo

Come scegliere una GPU per Denoising Diffusion Probabilistic Models (LSUN Bedroom)

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

Ogni card qui è stata controllata contro Denoising Diffusion Probabilistic Models (LSUN Bedroom), avere bisogno di circa 1.0 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

Imposta la lunghezza del CONTEXT che utilizzerai.

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. Denoising Diffusion Probabilistic Models (LSUN Bedroom).
03

Decidi quanto spazio di compressione accetterai

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., 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 Denoising Diffusion Probabilistic Models (LSUN Bedroom). 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 13,235 tok/s
05

Guarda il margine, non solo l'adattamento

Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di Denoising Diffusion Probabilistic Models (LSUN Bedroom). 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

Apri la scheda su cui ti sei deciso.

Ogni pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a Denoising Diffusion Probabilistic Models (LSUN Bedroom).

Risposte

Denoising Diffusion Probabilistic Models (LSUN Bedroom) — domande comuni

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 13,235 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— quanta VRAM serve?

Ha bisogno di 1.0 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB e generando approssimativamente 2,465 token al secondo. Il fit è comodo.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB e generando approssimativamente 1,509 token al secondo. Il fit è comodo.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB e generando approssimativamente 1,869 token al secondo. Il fit è comodo.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB e generando approssimativamente 2,217 token al secondo. Il fit è comodo.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— quanti parametri ha?

Ha un numero di parametri di 256M. Appendix B: " Our CIFAR10 model has 35.7 million parameters, and our LSUN and CelebA-HQ models have 114 million parameters. We also trained a larger variant of the LSUN Bedroom model with approximately 256 million parameters by increasing filter count.". 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— chi l'ha creato?

È stato pubblicato da University of California (UC) Berkeley, basato su United States of America, un'organizzazione categorizzata come academia.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— quando è stato rilasciato?

È stato pubblicato in June 2021. 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— A cosa serve?

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

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 7.8 × 10¹⁹ FLOP, su hardware registrato come Google TPU v3. 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— perché la quantizzazione differisce tra le schede?

Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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: 7,941–21,176 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— 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 1.0 GB, e produce approssimativamente 144 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

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