dots.llm1 calcolatore TPS

Apri i pesi Rednote 142B parametri July 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

37 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

A100 SXM4 80 GB

80 GB · Q3_K_M · 16.4 tok/s

Scheda più veloce

H100 NVL 94 GB

28.9 tok/s · 94 GB

Quali GPU possono eseguire dots.llm1?

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.

37 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
28.9 tok/s 17–46 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	78.3 GB	IQ4_XS	Stretto
27.2 tok/s 16–44 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	103.1 GB	Q5_K_M	Stretto
27.0 tok/s 16–43 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	70.1 GB	Q3_K_M	Stretto
27.0 tok/s 16–43 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	70.1 GB	Q3_K_M	Stretto
24.6 tok/s 15–39 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Stretto
24.6 tok/s 15–39 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Stretto
24.6 tok/s 15–39 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Stretto
23.9 tok/s 14–38 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	152.7 GB	Q8_0	Stretto
23.9 tok/s 14–38 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	152.7 GB	Q8_0	Comodo
22.1 tok/s 13–35 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	103.1 GB	Q5_K_M	Stretto
21.2 tok/s 13–34 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Stretto
21.2 tok/s 13–34 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Stretto
19.1 tok/s 11–30 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Comodo
19.1 tok/s 11–30 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Comodo
16.4 tok/s 10–26 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	70.1 GB	Q3_K_M	Stretto
16.4 tok/s 10–26 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	70.1 GB	Q3_K_M	Stretto
16.4 tok/s 10–26 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	70.1 GB	Q3_K_M	Stretto
16.4 tok/s 10–26 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Stretto
16.4 tok/s 10–26 · bassa fiducia	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	70.1 GB	Q3_K_M	Stretto
16.4 tok/s 10–26 · bassa fiducia	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Stretto
15.6 tok/s 9–25 · bassa fiducia	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	70.1 GB	Q3_K_M	Stretto
15.6 tok/s 9–25 · bassa fiducia	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	70.1 GB	Q3_K_M	Stretto
14.0 tok/s 8–22 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	152.7 GB	Q8_0	Comodo
13.6 tok/s 8–22 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	103.1 GB	Q5_K_M	Stretto
13.6 tok/s 8–22 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	103.1 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: Rednote
Tipo di organizzazione: Industry
Paese: China
Pubblicato: 6 July 2025
Autori: Bi Huo, Bin Tu, Cheng Qin, Da Zheng, Debing Zhang, Dongjie Zhang, En Li, Fu Guo, Jian Yao, Jie Lou, Junfeng Tian, Li Hu, Ran Zhu, Shengdong Chen, Shuo Liu, Su Guang, Te Wo, Weijun Zhang, Xiaoming Shi, Xinxin Peng, Xing Wu, Yawen Liu, Yuqiu Ji, Ze Wen, Zhenhai Liu, Zichao Li, Zilong Liao

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, Question answering

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: 142B
Dati di addestramento: 11,328,000,000,000 tokens
Dimensione del Batch: 128,000,000

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: 1.2 × 10²⁴ FLOP
Come è stato stabilito: Hardware,Operation counting

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 H800 SXM5
Chip-ore: 1,456,000

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: Unreleased
Hugging Face: rednote-hilab

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: dots.llm1 Technical Report
Ultimo aggiornamento: 19 December 2025

Gli estremi

Le dieci GPU più veloci che eseguono dots.llm1

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 dots.llm1

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

A100 SXM4 80 GB

Memoria necessaria

70.1 GB

Più veloce

28.9 tok/s

dots.llm1 raggiunge un conteggio di parametri di 142B. 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: 37.

Il punto di ingresso è A100 SXM4 80 GB, con una capacità di memoria di 80 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 16.4 token al secondo

Il più veloce che calcoliamo per esso è H100 NVL 94 GB, generando approssimativamente 28.9 token al secondo sulla base di una larghezza di banda di VRAM 3,940 GB/s.

Sfondo

dots.llm1 è stato pubblicato da Rednote, nel paese registrato come China, durante July 2025. 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, Question answering.

I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato. Su Hugging Face è pubblicato sotto l'organizzazione rednote-hilab.

Leggendo i dati di throughput

Il risultato mediano è attorno 16.4 token al secondo 35 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 memoria qui è stimata dalla dimensione piuttosto che calcolata dall'architettura, che non è registrata per questo modello — i numeri sono indicativi piuttosto che esatti.

Addestramento e provenienza

Il run di addestramento ha consumato circa 1.2 × 10²⁴ FLOP, su hardware registrato come NVIDIA H800 SXM5. 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 11,328,000,000,000 token di testo

Passo dopo passo

Come scegliere una GPU per dots.llm1

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 dots.llm1, avere bisogno di circa 70.1 GB a una compressione di Q3_K_M. Quella cifra, non le prestazioni di punta di una CARD, è ciò che decide se può essere eseguita.
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. dots.llm1.
03

Imposta un pavimento di qualità

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., 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

Confronta TOKEN AL SEC, non specifiche.

La velocità dell'ordinamento è effettivamente un ordinamento per larghezza di banda di memoria, per dots.llm1. 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 H100 NVL 94 GB, nella 28.9 tok/s
05

Controlla il giudizio di compatibilità prima di acquistare

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di dots.llm1. 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 pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a dots.llm1.

Risposte

dots.llm1 — domande comuni

dots.llm1— chi l'ha creato?

È stato pubblicato da Rednote, basato su China, un'organizzazione categorizzata come industry.

dots.llm1— quando è stato rilasciato?

È stato pubblicato in July 2025.

dots.llm1— A cosa serve?

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

dots.llm1— Dove posso scaricarlo?

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

dots.llm1— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 1.2 × 10²⁴ FLOP, su hardware registrato come NVIDIA H800 SXM5. 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.

dots.llm1— 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 21.8 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

dots.llm1— due GPU lo farebbero andare più veloce?

Una seconda CARD raddoppia grossolanamente la VRAM disponibile ma non il tasso di generazione. Il numero già in grado di eseguirlo da solo: 37. Quindi una seconda CARD è raramente la risposta qui.

dots.llm1— 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.

dots.llm1— 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: 17–46 tok/s su H100 NVL 94 GB. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

dots.llm1— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è A100 SXM4 80 GB, con una capacità di memoria di 80 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 70.1 GB, e produce approssimativamente 16.4 token al secondo. Il numero di card in grado di eseguirlo in totale: 37.

dots.llm1— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è H100 NVL 94 GB, circa 28.9 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: 35.

dots.llm1— quanta VRAM serve?

Ha bisogno di 70.1 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.

dots.llm1— 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.

dots.llm1— quanti parametri ha?

Ha un numero di parametri di 142B. a large-scale MoE model that activates 14 billion parameters out of a total of 142 billion parameters. 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 19 December 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