EXAONE Deep 7.8B calcolatore TPS

Apri i pesi LG AI Research 7.8B parametri March 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

582 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Quadro 6000

6 GB · IQ4_XS · 16.3 tok/s

Scheda più veloce

B200

434 tok/s · 180 GB

Quali GPU possono eseguire EXAONE Deep 7.8B?

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.

582 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
434 tok/s 261–695 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.1 GB	Q8_0	Comodo
434 tok/s 261–695 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.1 GB	Q8_0	Comodo
347 tok/s 208–555 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.1 GB	Q8_0	Comodo
347 tok/s 208–555 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.1 GB	Q8_0	Comodo
277 tok/s 166–444 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.1 GB	Q8_0	Comodo
266 tok/s 159–425 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.1 GB	Q8_0	Comodo
266 tok/s 159–425 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.1 GB	Q8_0	Comodo
254 tok/s 152–407 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.1 GB	Q8_0	Comodo
226 tok/s 135–361 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Comodo
226 tok/s 135–361 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Comodo
226 tok/s 135–361 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.1 GB	Q8_0	Comodo
214 tok/s 128–342 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.1 GB	Q8_0	Comodo
182 tok/s 109–292 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Comodo
182 tok/s 109–292 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.1 GB	Q8_0	Comodo
182 tok/s 109–292 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Comodo
182 tok/s 109–292 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Comodo
182 tok/s 109–292 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.1 GB	Q8_0	Comodo
144 tok/s 87–231 · bassa fiducia	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.3 GB	Q5_K_M	Stretto
139 tok/s 83–222 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.1 GB	Q8_0	Comodo
139 tok/s 83–222 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.1 GB	Q8_0	Comodo
123 tok/s 74–197 · bassa fiducia	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.2 GB	Q6_K	Comodo
116 tok/s 69–185 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.1 GB	Q8_0	Comodo
113 tok/s 68–181 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.1 GB	Q8_0	Comodo
111 tok/s 66–177 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.1 GB	Q8_0	Comodo
111 tok/s 66–177 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.1 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: LG AI Research
Tipo di organizzazione: Industry
Paese: Korea (Republic of)
Pubblicato: 16 March 2025
Autori: LG AI Research, Kyunghoon Bae, Eunbi Choi, Kibong Choi, Stanley Jungkyu Choi, Yemuk Choi, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Kijeong Jeon, Gerrard Jeongwon Jo, Hyunjik Jo, Jiyeon Jung, Hyosang Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Youchul Kim, Edward Hwayoung Lee, Haeju Lee, Honglak Lee, Jinsik Lee, Kyungmin Lee, Sangha Park, Yongmin Park, Sihoon…

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, Quantitative reasoning, Code generation
Modello di base: EXAONE 3.5 7.8B

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: 7.8B
Dati di addestramento: 12,000,000,000 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: 4.2 × 10²³ FLOP
Come è stato stabilito: Reported,Operation counting
Addestramento fine: 1.7 × 10²¹ FLOP

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 H100 SXM5 80GB
Fornitore di cloud: Google Cloud

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: Unreleased
Hugging Face: LGAI-EXAONE

Come è classificato

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

Probabilmente sopra 10²³ FLOP: Yes
Record fiducia: Confident

Fonti

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

Riferimento: EXAONE Deep: LLMs with Enhanced Reasoning Performance
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono EXAONE Deep 7.8B

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 EXAONE Deep 7.8B

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

Quadro 6000

Memoria necessaria

5.0 GB

Più veloce

434 tok/s

EXAONE Deep 7.8B raggiunge un conteggio di parametri di 7.8B. 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: 582.

Il punto di ingresso è Quadro 6000, con una capacità di memoria di 6 GB, eseguendolo a una compressione di IQ4_XS e producendo circa 16.3 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 434 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Cosa è questo modello

EXAONE Deep 7.8B è stato pubblicato da LG AI Research, nel paese registrato come Korea (Republic of), durante March 2025. L'organizzazione di pubblicazione è classificata come industry.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Question answering, Quantitative reasoning, Code generation.

Invece di essere addestrato da zero, è derivato da EXAONE 3.5 7.8B. È per questo che condivide la forma e le dimensioni generali del modello base.

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 LGAI-EXAONE.

Cosa decide la velocità

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 24.4 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 551 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.

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.

Addestramento e provenienza

Il run di addestramento ha consumato circa 4.2 × 10²³ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

L'addestramento ha consumato un corpus di circa 12,000,000,000 token di testo

Passo dopo passo

Come scegliere una GPU per EXAONE Deep 7.8B

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

Inizia dalla colonna VRAM

Ogni card qui è stata controllata contro EXAONE Deep 7.8B, avere bisogno di circa 5.0 GB a una compressione di IQ4_XS. La Capacità è il cancello — una card o la tiene o non la tiene.
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 EXAONE Deep 7.8B.
03

Scegli quanto lontano lo comprimerai

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

Confronta TOKEN AL SEC, non specifiche.

La velocità dell'ordinamento è effettivamente un ordinamento per larghezza di banda di memoria, per EXAONE Deep 7.8B. 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 434 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 EXAONE Deep 7.8B. 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

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 EXAONE Deep 7.8B.

Risposte

EXAONE Deep 7.8B — domande comuni

EXAONE Deep 7.8B— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering, Quantitative reasoning, Code 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.

EXAONE Deep 7.8B— Dove posso scaricarlo?

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

EXAONE Deep 7.8B— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 4.2 × 10²³ FLOP, su hardware registrato come NVIDIA H100 SXM5 80GB. 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.

EXAONE Deep 7.8B— 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 0.9 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

EXAONE Deep 7.8B— 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: 582. Quindi una seconda CARD è raramente la risposta qui.

EXAONE Deep 7.8B— 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.

EXAONE Deep 7.8B— 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: 261–695 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.

EXAONE Deep 7.8B— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Quadro 6000, con una capacità di memoria di 6 GB. Esegui il modello a una compressione di IQ4_XS utilizzando circa 5.0 GB, e produce approssimativamente 16.3 token al secondo. Il numero di card in grado di eseguirlo in totale: 582.

EXAONE Deep 7.8B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 434 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: 551.

EXAONE Deep 7.8B— quanta VRAM serve?

Ha bisogno di 5.0 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.

EXAONE Deep 7.8B— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q5_K_M, utilizzando circa 6.3 GB e generando approssimativamente 144 token al secondo. Il fit è stretto.

EXAONE Deep 7.8B— 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 9.1 GB e generando approssimativamente 49.5 token al secondo. Il fit è stretto.

EXAONE Deep 7.8B— 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 9.1 GB e generando approssimativamente 61.4 token al secondo. Il fit è comodo.

EXAONE Deep 7.8B— 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 9.1 GB e generando approssimativamente 72.8 token al secondo. Il fit è comodo.

EXAONE Deep 7.8B— 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.

EXAONE Deep 7.8B— quanti parametri ha?

Ha un numero di parametri di 7.8B. 7.8B. 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.

EXAONE Deep 7.8B— chi l'ha creato?

È stato pubblicato da LG AI Research, basato su Korea (Republic of), un'organizzazione categorizzata come industry.

EXAONE Deep 7.8B— quando è stato rilasciato?

È stato pubblicato in March 2025.

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