HAMSTER VLM calcolatore TPS

Apri i pesi NVIDIA,University of Washington,University of Southern California 13.5B parametri February 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 · Q4_K_M · 19.7 tok/s

Scheda più veloce

B200

251 tok/s · 180 GB

Quali GPU possono eseguire HAMSTER VLM?

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
251 tok/s 151–402 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	15.1 GB	Q8_0	Comodo
251 tok/s 151–402 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	15.1 GB	Q8_0	Comodo
201 tok/s 120–321 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	15.1 GB	Q8_0	Comodo
201 tok/s 120–321 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	15.1 GB	Q8_0	Comodo
160 tok/s 96–257 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	15.1 GB	Q8_0	Comodo
153 tok/s 92–246 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.1 GB	Q8_0	Comodo
153 tok/s 92–246 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	15.1 GB	Q8_0	Comodo
147 tok/s 88–235 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	15.1 GB	Q8_0	Comodo
130 tok/s 78–209 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Comodo
130 tok/s 78–209 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Comodo
130 tok/s 78–209 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	15.1 GB	Q8_0	Comodo
124 tok/s 74–198 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	15.1 GB	Q8_0	Comodo
113 tok/s 68–181 · bassa fiducia	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	Q4_K_M	Stretto
105 tok/s 63–169 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	15.1 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Comodo
105 tok/s 63–169 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	15.1 GB	Q8_0	Comodo
80.3 tok/s 48–128 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	15.1 GB	Q8_0	Comodo
80.3 tok/s 48–128 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	15.1 GB	Q8_0	Comodo
66.9 tok/s 40–107 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	15.1 GB	Q8_0	Comodo
65.5 tok/s 39–105 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	15.1 GB	Q8_0	Comodo
64.0 tok/s 38–102 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	15.1 GB	Q8_0	Comodo
64.0 tok/s 38–102 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	15.1 GB	Q8_0	Comodo
64.0 tok/s 38–102 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	15.1 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: NVIDIA,University of Washington,University of Southern California
Tipo di organizzazione: Industry,Academia,Academia
Paese: United States of America
Pubblicato: 8 February 2025
Autori: Yi Li, Yuquan Deng, Jesse Zhang, Joel Jang, Marius Memmel, Raymond Yu, Caelan Reed Garrett, Fabio Ramos, Dieter Fox, Anqi Li, Abhishek Gupta, Ankit Goyal

Cosa fa

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

Dominio: Robotics
Compito: Robotic manipulation
Modello di base: VILA1.5-13B
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: 13.5B
Dati di addestramento: tokens
Dimensione del Batch: 256

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: 2.4 × 10²¹ FLOP
Come è stato stabilito: Hardware
Addestramento fine: 1.1 × 10²⁰ 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 A100 SXM4 80 GB
Chip utilizzati: 8
Tempo di parete: 30 hours
Consumo energetico: 6.3 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: Unreleased

Come è classificato

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

Record fiducia: Confident
Citazioni: 104

Fonti

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

Riferimento: HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono HAMSTER VLM

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 HAMSTER VLM

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

Cosa serve per eseguire questo modello

Scheda minima

P102-101

Memoria necessaria

8.9 GB

Più veloce

251 tok/s

HAMSTER VLM raggiunge un conteggio di parametri di 13.5B. 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.

La scheda più piccola che lo tiene è P102-101, con una capacità di memoria di 10 GB, eseguendolo a una compressione di Q4_K_M e producendo circa 19.7 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 251 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Da dove è venuto

HAMSTER VLM è stato pubblicato da NVIDIA,University of Washington,University of Southern California, nel paese registrato come United States of America, durante February 2025. Esce da un'organizzazione categorizzata come industry,Academia,Academia.

Funziona nel dominio di Robotics, ed è registrato come eseguire il compito di robotic manipulation.

Costruisce su VILA1.5-13B. 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.

Comprendere le velocità

Il risultato mediano è attorno 21.1 token al secondo. Superare la velocità di lettura in modo diretto: 269 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.

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.

Cosa è stato necessario per costruirlo

La produzione di esso ha richiesto un'aritmetica totale di circa 2.4 × 10²¹ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Passo dopo passo

Come scegliere una GPU per HAMSTER VLM

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

La tabella elenca ogni card in grado di contenere HAMSTER VLM, avere bisogno di circa 8.9 GB a una compressione di Q4_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

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 HAMSTER VLM.
03

Decidi quanto spazio di compressione accetterai

Ogni card esegue la copia meno compressa che può contenere., raggiungendo una compressione di Q4_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 HAMSTER VLM. 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 251 tok/s
05

Guarda il margine, non solo l'adattamento

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di HAMSTER VLM. 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 HAMSTER VLM.

Risposte

HAMSTER VLM — domande comuni

HAMSTER VLM— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 251 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: 269.

HAMSTER VLM— quanta VRAM serve?

Ha bisogno di 8.9 GB a una compressione di Q4_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.

HAMSTER VLM— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q5_K_M, utilizzando circa 10.4 GB e generando approssimativamente 51.1 token al secondo. Il fit è stretto.

HAMSTER VLM— 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 Q6_K, utilizzando circa 12.0 GB e generando approssimativamente 51.5 token al secondo. Il fit è stretto.

HAMSTER VLM— 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 15.1 GB e generando approssimativamente 42.1 token al secondo. Il fit è comodo.

HAMSTER VLM— 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.

HAMSTER VLM— quanti parametri ha?

Ha un numero di parametri di 13.5B. https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included. 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.

HAMSTER VLM— chi l'ha creato?

È stato pubblicato da NVIDIA,University of Washington,University of Southern California, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.

HAMSTER VLM— quando è stato rilasciato?

È stato pubblicato in February 2025.

HAMSTER VLM— A cosa serve?

Funziona nel dominio di Robotics, e viene registrato come gestire il compito di robotic manipulation. 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.

HAMSTER VLM— 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.

HAMSTER VLM— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 2.4 × 10²¹ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 GB. 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.

HAMSTER VLM— 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 1.7 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

HAMSTER VLM— due GPU lo farebbero andare più veloce?

La capacità si somma tra le schede; il throughput no. Il numero di schede che già la possiedono da sole: 306. Quindi una seconda CARD è raramente la risposta qui.

HAMSTER VLM— perché la quantizzazione differisce tra le schede?

Una scheda più grande contiene una copia più accurata. Il numero di livelli di compressione utilizzati tra le schede che lo eseguono: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

HAMSTER VLM— 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: 151–402 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.

HAMSTER VLM— 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 Q4_K_M utilizzando circa 8.9 GB, e produce approssimativamente 19.7 token al secondo. Il numero di card in grado di eseguirlo in totale: 306.

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