Llama 3.1-405B TPS-rekenmachine
Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..
Bereken voor dit model
818 kaarten die we hebben specificaties voor
Kleinste kaart die past
Radeon Instinct MI325X
256 GB · Q4_K_M · 11.3 tok/s
Snelste kaart
B300
19.3 tok/s · 288 GB
Welke GPU's kunnen draaien Llama 3.1-405B?
Stel de invoer in, lees het antwoord
Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..
Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.
4 kaarten passen
Berekenen| Heeft | Kwantificatie | Past | |||||
|---|---|---|---|---|---|---|---|
|
19.3
tok/s
16–23 |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 224.3 GB | Q4_K_M | Krap |
|
15.4
tok/s
9–25 · lage vertrouwen |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Krap |
|
15.4
tok/s
9–25 · lage vertrouwen |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 224.3 GB | Q4_K_M | Krap |
|
11.3
tok/s
7–18 · lage vertrouwen |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 224.3 GB | Q4_K_M | Krap |
Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Meta AI
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 23 July 2024
- Auteurs
- Abhimanyu Dubey, Abhinav Jauhri, Abhinav Pandey, Abhishek Kadian, Ahmad Al-Dahle, Aiesha Letman, Alan Schelten, Amy Yang, Angela Fan, Anirudh Goyal, Anthony Hartshorn, Aobo Yang, Archi Mitra, Archie Sravankumar, Artem Korenev, Arthur Hinsvark, Arun Rao, Aston Zhang, Aurelien Rodriguez, Austen Gregerson, Ava Spataru, Baptiste Roziere, Bethany Biron, Binh Tang, Bobbie Chern, Charlotte Caucheteux, Ch…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Question answering, Code generation, Mathematical reasoning
- Numerieke indeling
- BF16
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 405B
- Training gegevens
- 15,600,000,000,000 tokens
- Epochs
- 1
- Batchgrootte
- 16,000,000
405B
15.6T tokens
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.8 × 10²⁵ FLOP
- Hoe het werd opgericht
- Reported,Operation counting
- Post-training berekeningen
- 9.4 × 10²² FLOP
Stated in paper. Also, 6 * 405B * 15.6T training tokens = 3.8e25
Section 4 gives detail about the post-training process. They do 6 rounds of post-training, using the model from the previous iteration in each successive round. In each round, they fine-tune a copy of the language model into a reward model (RM) using preference data, then use the reward model to do rejection sampling on human annotation prompts. Next they do supervised fine-tuning (SFT) on the rejection sampled data along with some synthetic data (8.5k to 9k steps per round). Next, they do Direc…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA H100 SXM5 80GB
- Gebruikte chips
- 16,384
- Kloktijd
- 2,142 hours (89.3 days)
- Hardwaregebruik
- MFU 40.4%
- Stroomverbruik
- 22.6 MW
- Rekenkosten
- $52,885,434
Trained on 30.84M GPU hours (https://huggingface.co/blog/llama31) and used "up to 16K H100 GPU[s]" so training took at least 30.84M / 16k = 1927.5 hours or ~80 days. Section 3.3.4 gives reliability details over a 54 day period during training, for which they had "higher than 90% effective training time" 1927.5 / 0.9 = 2142 hours Probably, full training time is somewhat longer, since it sounds like there were periods where not all 16k H100s were running.
MFU ranges between 0.38 and 0.43 depending on the specific parallelism used; I assume the geometric mean: sqrt(0.38 * 0.43) = 0.4042
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (restricted use)
- Training code
- Open (restricted use)
- Hugging Face
- meta-llama
Llama 3.1 model license: https://huggingface.co/meta-llama/Meta-Llama-3.1-8B/blob/main/LICENSE must seek separate license if over 700m monthly users, acceptable use restrictions training code here: https://github.com/meta-llama/llama-recipes/blob/main/src/llama_recipes/utils/train_utils.py#L70
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Grensmodel
- Yes
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement,Training cost
- Record vertrouwen
- Confident
High training compute, exceeds 4o and Claude 3.5 on some benchmarks: https://ai.meta.com/blog/meta-llama-3-1/
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- The Llama 3 Herd of Models
- Laatst bijgewerkt
- 28 November 2025
De extremen
De tien snelste GPU's die draaien Llama 3.1-405B
Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..
De kleinste GPU's die nog steeds draaien Llama 3.1-405B
De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..
Wat de cijfers betekenen
De hardwarekant
Minimum kaart
Radeon Instinct MI325X
Geheugen nodig
224.3 GB
Snelste
19.3 tok/s
Llama 3.1-405B bereikt een parameter telling van 405B. Dat is meer dan wat enige enkele grafische kaart bevat. Het draaien ervan betekent ofwel het splitsen over meerdere kaarten of het huren van hardware die voor de klus is gebouwd, en elke kaart die het alleen kan vasthouden, is een datacenteronderdeel. Het aantal dat kan: 4.
Aan de onderkant wordt het afgehandeld door Radeon Instinct MI325X, met een geheugen capaciteit van 256 GB, het draaien ervan met een compressie van Q4_K_M en produceren rond 11.3 tokens per seconde
Aan de andere kant zit B300, genereren ongeveer 19.3 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.
Over dit model
Llama 3.1-405B werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens July 2024. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering, Code generation, Mathematical reasoning.
Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden. Op Hugging Face is het gepubliceerd onder de organisatie meta-llama.
Hoe snel het draait, en waarom
De mediaanresultaat is rond 15.4 tokens per second. Outright de leessnelheid overschrijden. 4 van hen
Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.
De aandacht lay-out staat in onze database, zodat de GPU VRAM cijfers precies worden berekend in plaats van benaderd.
Training en herkomst
Training kostte een rekensbudget van ongeveer 3.8 × 10²⁵ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 15,600,000,000,000 tekstokens
De inclusiecriteria: sOTA improvement,Training cost.
Stap voor stap
Hoe een GPU te kiezen voor Llama 3.1-405B
De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..
-
01
Lees eerst de geheugenfiguur
Elke kaart hier is gecontroleerd op Llama 3.1-405B, ongeveer nodig 224.3 GB bij een compressie van Q4_K_M. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
-
02
Stel de contextlengte in waarmee je gaat werken
Het gesprek verbruikt ook geheugen en groeit naarmate het vordert. Stel de schuifregelaar in op de lengte die je verwacht, want bij lange CONTEXT kan een KAART die korte vragen gemakkelijk afhandelt, verworpen worden door Llama 3.1-405B.
-
03
Stel een kwaliteitsvloer in
Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., bereiken van een compressie van Q4_K_M op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.
-
04
Vergelijk tokens per seconde, niet specificaties
Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor Llama 3.1-405B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B300, bij 19.3 tok/s
-
05
Lees de passen kolom laatst
Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van Llama 3.1-405B. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.
-
06
Controleer de kaart vanaf de andere kant
Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op Llama 3.1-405B.
Antwoorden
Llama 3.1-405B — veelgestelde vragen
Llama 3.1-405B— Zouden twee GPU's het sneller draaien?
Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 4. Dus een tweede card is zelden het antwoord hier.
Llama 3.1-405B— waarom verschilt de quantisatie tussen kaarten?
Een grotere CARD houdt een nauwkeuriger kopie. Het aantal compressieniveaus dat gebruikt wordt op de CARDS die het draaien: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.
Llama 3.1-405B— hoe nauwkeurig zijn deze snelheidsschattingen?
Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 16–23 tok/s op B300. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.
Llama 3.1-405B— Welke GPU heb ik nodig om het te draaien?
De kleinste kaart in onze catalogus die het vasthoudt is Radeon Instinct MI325X, met een geheugen capaciteit van 256 GB. Het draait het model op een compressie van Q4_K_M ongeveer 224.3 GB, en produceert ongeveer 11.3 tokens per second. Het aantal kaarten dat het totaal kan draaien: 4.
Llama 3.1-405B— hoe snel is het op een GPU?
Het hangt af van de kaart. De snelste die we berekenen is B300, ongeveer 19.3 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 4.
Llama 3.1-405B— hoeveel VRAM heeft het nodig?
Het heeft ongeveer 224.3 GB bij een compressie van Q4_K_M, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.
Llama 3.1-405B— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
Llama 3.1-405B— hoeveel parameters heeft het?
Het heeft een parameter telling van 405B. 405B. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Llama 3.1-405B— wie heeft het gemaakt?
Het werd gepubliceerd door Meta AI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Llama 3.1-405B— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Llama 3.1-405B— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering, Code generation, Mathematical reasoning. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Llama 3.1-405B— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie meta-llama. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
Llama 3.1-405B— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.8 × 10²⁵ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Llama 3.1-405B— kan ik het draaien als het niet in mijn GPU past?
Het kan worden opgesplitst tussen de GPU-kaart en systeemgeheugen, maar het genereert op die manier pijnlijk traag. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 51.5 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.