T5Gemma (Gemma 9B-9B) calcolatore TPS

Apri i pesi Google DeepMind 16.7B parametri April 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

306 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

P102-101

10 GB · Q3_K_M · 18.6 tok/s

Scheda più veloce

B200

203 tok/s · 180 GB

Quali GPU possono eseguire T5Gemma (Gemma 9B-9B)?

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.

306 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
203 tok/s 122–325 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	18.6 GB	Q8_0	Comodo
203 tok/s 122–325 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	18.6 GB	Q8_0	Comodo
162 tok/s 97–259 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	18.6 GB	Q8_0	Comodo
162 tok/s 97–259 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	18.6 GB	Q8_0	Comodo
130 tok/s 78–207 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	18.6 GB	Q8_0	Comodo
124 tok/s 74–198 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	18.6 GB	Q8_0	Comodo
124 tok/s 74–198 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	18.6 GB	Q8_0	Comodo
119 tok/s 71–190 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	18.6 GB	Q8_0	Comodo
107 tok/s 64–171 · bassa fiducia	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	Q3_K_M	Stretto
105 tok/s 63–169 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	18.6 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	18.6 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	18.6 GB	Q8_0	Comodo
99.9 tok/s 60–160 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	18.6 GB	Q8_0	Comodo
85.2 tok/s 51–136 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	18.6 GB	Q8_0	Comodo
85.2 tok/s 51–136 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	18.6 GB	Q8_0	Comodo
85.2 tok/s 51–136 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	18.6 GB	Q8_0	Comodo
85.2 tok/s 51–136 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	18.6 GB	Q8_0	Comodo
85.2 tok/s 51–136 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	18.6 GB	Q8_0	Comodo
64.9 tok/s 39–104 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	18.6 GB	Q8_0	Comodo
64.9 tok/s 39–104 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	18.6 GB	Q8_0	Comodo
56.8 tok/s 34–91 · bassa fiducia	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.8 GB	IQ4_XS	Stretto
56.8 tok/s 34–91 · bassa fiducia	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.8 GB	IQ4_XS	Stretto
54.1 tok/s 32–87 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	18.6 GB	Q8_0	Comodo
52.9 tok/s 32–85 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	18.6 GB	Q8_0	Comodo
52.0 tok/s 31–83 · bassa fiducia	CMP 90HX NVIDIA	10 GB	760 GB/s	Jul 2021	8.9 GB	Q3_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: Google DeepMind
Tipo di organizzazione: Industry
Paese: United States of America
Pubblicato: 8 April 2025
Autori: Biao Zhang, Fedor Moiseev, Joshua Ainslie, Paul Suganthan, Min Ma, Surya Bhupatiraju, Fede Lebron, Orhan Firat, Armand Joulin, Zhe Dong

Cosa fa

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

Dominio: Language
Compito: Semantic embedding, Language modeling/generation, Question answering
Modello di base: Gemma 2 9B

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: 16.7B
Dati di addestramento: 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.

Come è stato stabilito: Operation counting
Addestramento fine: 2 × 10²³ FLOP

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: Unreleased
Hugging Face: google

Come è classificato

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

Record fiducia: Likely

Fonti

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

Riferimento: Encoder-Decoder Gemma: Improving the Quality-Efficiency Trade-Off via Adaptation
Ultimo aggiornamento: 11 February 2026

Gli estremi

Le dieci GPU più veloci che eseguono T5Gemma (Gemma 9B-9B)

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 T5Gemma (Gemma 9B-9B)

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

P102-101

Memoria necessaria

8.9 GB

Più veloce

203 tok/s

T5Gemma (Gemma 9B-9B) raggiunge un conteggio di parametri di 16.7B. 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: 306.

A basso prezzo è gestito da P102-101, con una capacità di memoria di 10 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 18.6 token al secondo

Il più veloce che calcoliamo per esso è B200, generando approssimativamente 203 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

T5Gemma (Gemma 9B-9B) è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante April 2025. La categoria sotto cui rientra l'editore è industry.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di semantic embedding, Language modeling/generation, Question answering.

Invece di essere addestrato da zero, è derivato da Gemma 2 9B. È per questo che condivide la forma e le dimensioni generali del modello base.

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. Su Hugging Face è pubblicato sotto l'organizzazione google.

Comprendere le velocità

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 20.9 token al secondo. Superare la velocità di lettura in modo diretto: 268 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.

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 T5Gemma (Gemma 9B-9B)

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

La tabella elenca ogni card in grado di contenere T5Gemma (Gemma 9B-9B), avere bisogno di circa 8.9 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.

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. T5Gemma (Gemma 9B-9B).
03

Scegli quanto lontano lo comprimerai

Ogni card esegue la copia meno compressa che può contenere., 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.

Ordina per velocità per vedere come si classificano le schede per T5Gemma (Gemma 9B-9B). 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 203 tok/s
05

Controlla il giudizio di compatibilità prima di acquistare

Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di T5Gemma (Gemma 9B-9B). 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 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. T5Gemma (Gemma 9B-9B).

Risposte

T5Gemma (Gemma 9B-9B) — domande comuni

T5Gemma (Gemma 9B-9B)— 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: 306. Quindi una seconda CARD è raramente la risposta qui.

T5Gemma (Gemma 9B-9B)— 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: 5. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

T5Gemma (Gemma 9B-9B)— quanto sono accurate queste stime di velocità?

Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: 122–325 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.

T5Gemma (Gemma 9B-9B)— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è P102-101, con una capacità di memoria di 10 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 8.9 GB, e produce approssimativamente 18.6 token al secondo. Il numero di card in grado di eseguirlo in totale: 306.

T5Gemma (Gemma 9B-9B)— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 203 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: 268.

T5Gemma (Gemma 9B-9B)— quanta VRAM serve?

Ha bisogno di 8.9 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.

T5Gemma (Gemma 9B-9B)— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di IQ4_XS, utilizzando circa 9.8 GB e generando approssimativamente 56.8 token al secondo. Il fit è stretto.

T5Gemma (Gemma 9B-9B)— 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 Q5_K_M, utilizzando circa 12.7 GB e generando approssimativamente 51.2 token al secondo. Il fit è stretto.

T5Gemma (Gemma 9B-9B)— 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 18.6 GB e generando approssimativamente 34.0 token al secondo. Il fit è stretto.

T5Gemma (Gemma 9B-9B)— 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.

T5Gemma (Gemma 9B-9B)— quanti parametri ha?

Ha un numero di parametri di 16.7B. 16.7B. 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.

T5Gemma (Gemma 9B-9B)— chi l'ha creato?

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

T5Gemma (Gemma 9B-9B)— quando è stato rilasciato?

È stato pubblicato in April 2025.

T5Gemma (Gemma 9B-9B)— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di semantic embedding, Language modeling/generation, Question answering. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.

T5Gemma (Gemma 9B-9B)— Dove posso scaricarlo?

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

T5Gemma (Gemma 9B-9B)— posso eseguirlo se non si adatta nella mia GPU?

Parzialmente. I layer che non si adattano si trovano nella memoria di sistema e funzionano a una frazione della velocità, quindi un modello in gran parte scaricato è raramente conveniente da usare. La più vicina mancata che calcoliamo risulta insufficiente di 3.6 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

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