LUXIA-21.4B-Alignment TPS-rekenmachine

Open gewichten SaltLux 21.4B parameters May 2024

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

241 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Xeon Phi 7120P

16 GB · Q4_K_M · 10.5 tok/s

Snelste kaart

B200

158 tok/s · 180 GB

Welke GPU's kunnen draaien LUXIA-21.4B-Alignment?

Stel de invoer in, lees het antwoord

Contextlengte tokens

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Minimale kwaliteit

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

241 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
158 tok/s 95–253 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	23.6 GB	Q8_0	Comfortabel
158 tok/s 95–253 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	23.6 GB	Q8_0	Comfortabel
126 tok/s 76–202 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	23.6 GB	Q8_0	Comfortabel
126 tok/s 76–202 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	23.6 GB	Q8_0	Comfortabel
101 tok/s 61–162 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	23.6 GB	Q8_0	Comfortabel
96.8 tok/s 58–155 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	23.6 GB	Q8_0	Comfortabel
96.8 tok/s 58–155 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	23.6 GB	Q8_0	Comfortabel
92.6 tok/s 56–148 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	23.6 GB	Q8_0	Comfortabel
82.2 tok/s 49–132 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	23.6 GB	Q8_0	Comfortabel
82.2 tok/s 49–132 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	23.6 GB	Q8_0	Comfortabel
82.2 tok/s 49–132 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	23.6 GB	Q8_0	Comfortabel
78.0 tok/s 47–125 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	23.6 GB	Q8_0	Comfortabel
66.5 tok/s 40–106 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	23.6 GB	Q8_0	Comfortabel
66.5 tok/s 40–106 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	23.6 GB	Q8_0	Comfortabel
66.5 tok/s 40–106 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	23.6 GB	Q8_0	Comfortabel
66.5 tok/s 40–106 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	23.6 GB	Q8_0	Comfortabel
66.5 tok/s 40–106 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	23.6 GB	Q8_0	Comfortabel
51.6 tok/s 31–83 · lage vertrouwen	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.6 GB	Q4_K_M	Krap
50.6 tok/s 30–81 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	23.6 GB	Q8_0	Comfortabel
50.6 tok/s 30–81 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	23.6 GB	Q8_0	Comfortabel
43.9 tok/s 26–70 · lage vertrouwen	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.6 GB	Q4_K_M	Krap
42.2 tok/s 25–68 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	23.6 GB	Q8_0	Comfortabel
41.3 tok/s 25–66 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	23.6 GB	Q8_0	Comfortabel
41.0 tok/s 25–66 · lage vertrouwen	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	13.6 GB	Q4_K_M	Krap
41.0 tok/s 25–66 · lage vertrouwen	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.6 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: SaltLux
Organisatietype: Industry
Land: Korea (Republic of)
Gepubliceerd: 27 May 2024

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
Basis model: InternLM2-20B

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: 21.4B
Training gegevens: tokens

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 (unrestricted)
Training code: Unreleased
Hugging Face: saltlux

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.

Record vertrouwen: Confident

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie: LUXIA-21.4B-Alignment
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien LUXIA-21.4B-Alignment

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 LUXIA-21.4B-Alignment

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

Xeon Phi 7120P

Geheugen nodig

13.6 GB

Snelste

158 tok/s

LUXIA-21.4B-Alignment bereikt een parameter telling van 21.4B. Dat valt binnen het bereik dat een serieuze desktopkaart kan aansteken zodra de gewichten zijn gecomprimeerd. Het aantal kaarten dat we volgen die het kunnen draaien: 241.

Aan de onderkant wordt het afgehandeld door Xeon Phi 7120P, met een geheugen capaciteit van 16 GB, het draaien ervan met een compressie van Q4_K_M en produceren rond 10.5 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 158 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

LUXIA-21.4B-Alignment werd gepubliceerd door SaltLux, in het land geregistreerd als Korea (Republic of), tijdens May 2024. De categorie waaronder de uitgever valt is industry.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering.

In plaats van vanaf nul te worden getraind, is het afgeleid van InternLM2-20B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.

De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is. Op Hugging Face is het gepubliceerd onder de organisatie saltlux.

Wat bepaalt de snelheid

De mediaanresultaat is rond 20.5 tokens per second. Outright de leessnelheid overschrijden. 195 van hen

Het is een dicht model, dus elke parameter wordt gelezen voor elk token dat wordt geproduceerd. Dat maakt de snelheid bijna precies het geheugenbandbreedte bijhouden — een kaart met twee keer de bandbreedte genereert ongeveer twee keer zo snel.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Stap voor stap

Hoe een GPU te kiezen voor LUXIA-21.4B-Alignment

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

Controleer wat het nodig heeft voordat iets anders.

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van LUXIA-21.4B-Alignment, ongeveer nodig 13.6 GB bij een compressie van Q4_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
02

Stem de context af op uw werkelijke gebruik

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 LUXIA-21.4B-Alignment.
03

Kies hoe ver je het wilt comprimeren

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., 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 LUXIA-21.4B-Alignment. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 158 tok/s
05

Lees de passen kolom laatst

De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van LUXIA-21.4B-Alignment. 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

Zie wat die kaart nog meer draait

Elke kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast LUXIA-21.4B-Alignment.

Antwoorden

LUXIA-21.4B-Alignment — veelgestelde vragen

LUXIA-21.4B-Alignment— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

LUXIA-21.4B-Alignment— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie saltlux. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

LUXIA-21.4B-Alignment— kan ik het draaien als het niet in mijn GPU past?

Alleen door af te laden, wat meestal een valse economie is: het deel dat in systeemgeheugen wordt vastgehouden, houdt het hele ding tegen. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 2.8 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

LUXIA-21.4B-Alignment— Zouden twee GPU's het sneller draaien?

Twee kaarten kopen geheugen in plaats van snelheid, wat alleen van belang is als één kaart het niet kan bevatten. Het aantal dat kan: 241. Dus een tweede card is zelden het antwoord hier.

LUXIA-21.4B-Alignment— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

LUXIA-21.4B-Alignment— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 95–253 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

LUXIA-21.4B-Alignment— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Xeon Phi 7120P, met een geheugen capaciteit van 16 GB. Het draait het model op een compressie van Q4_K_M ongeveer 13.6 GB, en produceert ongeveer 10.5 tokens per second. Het aantal kaarten dat het totaal kan draaien: 241.

LUXIA-21.4B-Alignment— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 158 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: 195.

LUXIA-21.4B-Alignment— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 13.6 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.

LUXIA-21.4B-Alignment— kan ik het draaien op een GPU met 16 GB?

Ja. De GPU kaart Tesla V100 SXM2 16 GB, houden 16 GB, draait het met een compressie van Q4_K_M, ongeveer 13.6 GB en genereren ongeveer 51.6 tokens per second. De pasvorm is krap.

LUXIA-21.4B-Alignment— kan ik het draaien op een GPU met 24 GB?

Ja. De GPU kaart GeForce RTX 5090 D V2, houden 24 GB, draait het met een compressie van Q6_K, ongeveer 18.6 GB en genereren ongeveer 38.5 tokens per second. De pasvorm is krap.

LUXIA-21.4B-Alignment— 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.

LUXIA-21.4B-Alignment— hoeveel parameters heeft het?

Het heeft een parameter telling van 21.4B. 21.4B. 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.

LUXIA-21.4B-Alignment— wie heeft het gemaakt?

Het werd gepubliceerd door SaltLux, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry.

LUXIA-21.4B-Alignment— wanneer is het uitgebracht?

Het werd gepubliceerd in May 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

Bron

Originele publicatie

Laatste update geregistreerd 28 November 2025

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.

Alle AI-modellen