SANA 1.5 4.8B calcolatore TPS

Apri i pesi NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong 4.8B parametri May 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

818 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla C1080

4 GB · IQ4_XS · 18.9 tok/s

Scheda più veloce

B200

706 tok/s · 180 GB

Quali GPU possono eseguire SANA 1.5 4.8B?

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
706 tok/s 424–1,129 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.8 GB	Q8_0	Comodo
706 tok/s 424–1,129 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.8 GB	Q8_0	Comodo
564 tok/s 338–902 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Comodo
564 tok/s 338–902 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Comodo
451 tok/s 270–721 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.8 GB	Q8_0	Comodo
431 tok/s 259–690 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Comodo
431 tok/s 259–690 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Comodo
413 tok/s 248–661 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.8 GB	Q8_0	Comodo
366 tok/s 220–586 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Comodo
366 tok/s 220–586 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Comodo
366 tok/s 220–586 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Comodo
348 tok/s 209–556 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.8 GB	Q8_0	Comodo
296 tok/s 178–474 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Comodo
296 tok/s 178–474 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.8 GB	Q8_0	Comodo
296 tok/s 178–474 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Comodo
296 tok/s 178–474 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Comodo
296 tok/s 178–474 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Comodo
226 tok/s 135–361 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Comodo
226 tok/s 135–361 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Comodo
188 tok/s 113–301 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.8 GB	Q8_0	Comodo
184 tok/s 110–295 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.8 GB	Q8_0	Comodo
180 tok/s 108–288 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.8 GB	Q8_0	Comodo
180 tok/s 108–288 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.8 GB	Q8_0	Comodo
180 tok/s 108–288 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.8 GB	Q8_0	Comodo
180 tok/s 108–288 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.8 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: NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong
Tipo di organizzazione: Industry,Academia,Academia,Industry,Academia,Academia
Paese: United States of America, China, Hong Kong
Pubblicato: 17 May 2025
Autori: Enze Xie, Junsong Chen, Yuyang Zhao, Jincheng Yu, Ligeng Zhu, Chengyue Wu, Yujun Lin, Zhekai Zhang, Muyang Li, Junyu Chen, Han Cai, Bingchen Liu, Daquan Zhou, Song Han

Cosa fa

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

Dominio: Image generation
Compito: Text-to-image, Image generation
Modello di base: SANA 1.6B
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: 4.8B
Dati di addestramento: tokens

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
Chip utilizzati: 64
Consumo energetico: 50.2 kW

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 (non-commercial)
Codice di addestramento: Open source
Hugging Face: Efficient-Large-Model

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: SANA 1.5: Efficient Scaling of Training-Time and Inference-Time Compute in Linear Diffusion Transformer
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono SANA 1.5 4.8B

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 SANA 1.5 4.8B

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

3.3 GB

Più veloce

706 tok/s

SANA 1.5 4.8B raggiunge un conteggio di parametri di 4.8B. 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 IQ4_XS e producendo circa 18.9 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 706 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Sfondo

SANA 1.5 4.8B è stato pubblicato da NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, nel paese registrato come United States of America, durante May 2025. L'organizzazione di pubblicazione è classificata come industry,Academia,Academia,Industry,Academia,Academia.

Funziona nel dominio di Image generation, ed è registrato come eseguire il compito di text-to-image, Image generation.

Costruisce su SANA 1.6B. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.

Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato. Su Hugging Face è pubblicato sotto l'organizzazione Efficient-Large-Model.

Leggendo i dati di throughput

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 28.2 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 771 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.

Passo dopo passo

Come scegliere una GPU per SANA 1.5 4.8B

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 SANA 1.5 4.8B, avere bisogno di circa 3.3 GB a una compressione di IQ4_XS. 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.

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 SANA 1.5 4.8B.
03

Decidi quanto spazio di compressione accetterai

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 IQ4_XS 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 SANA 1.5 4.8B. 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 706 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 SANA 1.5 4.8B. 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

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 SANA 1.5 4.8B.

Risposte

SANA 1.5 4.8B — domande comuni

SANA 1.5 4.8B— 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. Ogni figura qui presume che l'intero modello sia residente sulla scheda.

SANA 1.5 4.8B— 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: 818. Quindi una seconda CARD è raramente la risposta qui.

SANA 1.5 4.8B— 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: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

SANA 1.5 4.8B— quanto sono accurate queste stime di velocità?

Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: 424–1,129 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.

SANA 1.5 4.8B— 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 IQ4_XS utilizzando circa 3.3 GB, e produce approssimativamente 18.9 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

SANA 1.5 4.8B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 706 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: 771.

SANA 1.5 4.8B— quanta VRAM serve?

Ha bisogno di 3.3 GB a una compressione di IQ4_XS, 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.

SANA 1.5 4.8B— 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 5.8 GB e generando approssimativamente 131 token al secondo. Il fit è comodo.

SANA 1.5 4.8B— 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 5.8 GB e generando approssimativamente 80.5 token al secondo. Il fit è comodo.

SANA 1.5 4.8B— 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 5.8 GB e generando approssimativamente 99.7 token al secondo. Il fit è comodo.

SANA 1.5 4.8B— 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 5.8 GB e generando approssimativamente 118 token al secondo. Il fit è comodo.

SANA 1.5 4.8B— 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.

SANA 1.5 4.8B— quanti parametri ha?

Ha un numero di parametri di 4.8B. 4.8B Our final model (SANA-4.8B) scales to 60 layers while maintaining the same channel dimension (2240 per layer) and FFN dimension (5600) as SANA-1.6B. The architecture, training data, and other hyperparameters remain consistent with SANA-1.6B. 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.

SANA 1.5 4.8B— chi l'ha creato?

È stato pubblicato da NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia,Industry,Academia,Academia.

SANA 1.5 4.8B— quando è stato rilasciato?

È stato pubblicato in May 2025.

SANA 1.5 4.8B— A cosa serve?

Funziona nel dominio di Image generation, e viene registrato come gestire il compito di text-to-image, Image generation. 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.

SANA 1.5 4.8B— Dove posso scaricarlo?

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

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