OpenThaiGPT v1.0.0 (13B) TPS-rekenmachine

Open gewichten Mahidol University,AI Entrepreneurs Association of Thailand 13.1B parameters April 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

509 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Xeon Phi 5110P

8 GB · Q3_K_M · 18.2 tok/s

Snelste kaart

B200

259 tok/s · 180 GB

Welke GPU's kunnen draaien OpenThaiGPT v1.0.0 (13B)?

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

509 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
259 tok/s 155–414 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.7 GB	Q8_0	Comfortabel
259 tok/s 155–414 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.7 GB	Q8_0	Comfortabel
207 tok/s 124–330 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Comfortabel
207 tok/s 124–330 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.7 GB	Q8_0	Comfortabel
165 tok/s 99–264 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.7 GB	Q8_0	Comfortabel
158 tok/s 95–253 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Comfortabel
158 tok/s 95–253 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.7 GB	Q8_0	Comfortabel
151 tok/s 91–242 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.7 GB	Q8_0	Comfortabel
134 tok/s 81–215 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Comfortabel
134 tok/s 81–215 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Comfortabel
134 tok/s 81–215 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.7 GB	Q8_0	Comfortabel
130 tok/s 78–208 · lage vertrouwen	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.1 GB	Q3_K_M	Krap
127 tok/s 76–204 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.7 GB	Q8_0	Comfortabel
116 tok/s 70–186 · lage vertrouwen	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q4_K_M	Krap
109 tok/s 65–174 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Comfortabel
109 tok/s 65–174 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.7 GB	Q8_0	Comfortabel
109 tok/s 65–174 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Comfortabel
109 tok/s 65–174 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Comfortabel
109 tok/s 65–174 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.7 GB	Q8_0	Comfortabel
82.7 tok/s 50–132 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Comfortabel
82.7 tok/s 50–132 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.7 GB	Q8_0	Comfortabel
68.9 tok/s 41–110 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.7 GB	Q8_0	Comfortabel
67.5 tok/s 40–108 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.7 GB	Q8_0	Comfortabel
67.0 tok/s 40–107 · lage vertrouwen	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	7.1 GB	Q3_K_M	Krap
66.0 tok/s 40–106 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.7 GB	Q8_0	Comfortabel

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: Mahidol University,AI Entrepreneurs Association of Thailand
Organisatietype: Academia
Land: Thailand
Gepubliceerd: 8 April 2024
Auteurs: Kobkrit Viriyayudhakorn, Sumeth Yuenyong, Thaweewat Rugsujarit, Jillaphat Jaroenkantasima, Norapat Buppodom, Koravich Sangkaew, Peerawat Rojratchadakorn, Surapon Nonesung, Chanon Utupon, Sadhis Wongprayoon, Nucharee Thongthungwong, Chawakorn Phiantham, Patteera Triamamornwooth. Nattarika Juntarapaoraya, Kriangkrai Saetan, Pitikorn Khlaisamniang

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein: Language
Taak: Chat, Language modeling/generation, Question answering, Retrieval-augmented generation
Basis model: Llama 2-13B

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: 13.1B
Training gegevens: 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: 5.1 × 10²¹ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 7.9 × 10¹⁶ FLOP

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: Unreleased
Hugging Face: openthaigpt

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: OpenThaiGPT 13b 1.0.0
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien OpenThaiGPT v1.0.0 (13B)

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 OpenThaiGPT v1.0.0 (13B)

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 5110P

Geheugen nodig

7.1 GB

Snelste

259 tok/s

OpenThaiGPT v1.0.0 (13B) bereikt een parameter telling van 13.1B. Dat is klein genoeg zodat hardware zelden de obstakel is, inclusief op kaarten van enkele jaren oud. Het aantal kaarten dat we volgen die het kunnen draaien: 509.

Aan de onderkant wordt het afgehandeld door Xeon Phi 5110P, met een geheugen capaciteit van 8 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 18.2 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 259 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

OpenThaiGPT v1.0.0 (13B) werd gepubliceerd door Mahidol University,AI Entrepreneurs Association of Thailand, in het land geregistreerd als Thailand, tijdens April 2024. De publicerende organisatie is geclassificeerd als academia.

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

Het bouwt voort op Llama 2-13B. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.

Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt. Op Hugging Face is het gepubliceerd onder de organisatie openthaigpt.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 21.1 tokens per second. Outright de leessnelheid overschrijden. 459 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

Geheugen hier is geschat op basis van grootte in plaats van berekend vanuit de architectuur, die niet is vastgelegd voor dit model — de cijfers zijn indicatief eerder dan exact.

Hoe het getraind werd

De training run verbruikte ongeveer 5.1 × 10²¹ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor OpenThaiGPT v1.0.0 (13B)

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.

Elke kaart hier is gecontroleerd op OpenThaiGPT v1.0.0 (13B), ongeveer nodig 7.1 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Stem de context af op uw werkelijke gebruik

Stel de context in op wat je daadwerkelijk gaat gebruiken. De cache groeit met het gesprek, en het is de gebruikelijke reden dat een CARD die in eerste instantie prima leek, niet meer past. OpenThaiGPT v1.0.0 (13B).
03

Bepaal hoeveel compressie je accepteert

De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., bereiken van een compressie van Q3_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

Rangschik op doorvoer in plaats van specificatielijst

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor OpenThaiGPT v1.0.0 (13B). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 259 tok/s
05

Kijk naar de speling, niet alleen naar de pasvorm.

De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van OpenThaiGPT v1.0.0 (13B). 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

Elke kaartnaam linkt naar zijn eigen pagina, die dezelfde berekening door het hele modelcatalogus uitvoert. Een kaart wordt meestal gekocht voor meer dan één model, dus het is de moeite waard om te kijken voordat je koopt voor OpenThaiGPT v1.0.0 (13B).

Antwoorden

OpenThaiGPT v1.0.0 (13B) — veelgestelde vragen

OpenThaiGPT v1.0.0 (13B)— wanneer is het uitgebracht?

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

OpenThaiGPT v1.0.0 (13B)— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van chat, Language modeling/generation, Question answering, Retrieval-augmented generation. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.

OpenThaiGPT v1.0.0 (13B)— waar kan ik het downloaden?

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

OpenThaiGPT v1.0.0 (13B)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 5.1 × 10²¹ FLOP. 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.

OpenThaiGPT v1.0.0 (13B)— 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 3.2 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

OpenThaiGPT v1.0.0 (13B)— 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: 509. Dus een tweede card is zelden het antwoord hier.

OpenThaiGPT v1.0.0 (13B)— waarom verschilt de quantisatie tussen kaarten?

Omdat de capaciteit varieert, varieert ook hoe hard het moet worden samengedrukt. Het aantal onderscheidende niveaus in de bovenstaande tabel: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

OpenThaiGPT v1.0.0 (13B)— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 155–414 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

OpenThaiGPT v1.0.0 (13B)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Xeon Phi 5110P, met een geheugen capaciteit van 8 GB. Het draait het model op een compressie van Q3_K_M ongeveer 7.1 GB, en produceert ongeveer 18.2 tokens per second. Het aantal kaarten dat het totaal kan draaien: 509.

OpenThaiGPT v1.0.0 (13B)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 259 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: 459.

OpenThaiGPT v1.0.0 (13B)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 7.1 GB bij een compressie van Q3_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.

OpenThaiGPT v1.0.0 (13B)— kan ik het draaien op een GPU met 8 GB?

Ja. De GPU kaart CMP 170HX 8 GB, houden 8 GB, draait het met een compressie van Q3_K_M, ongeveer 7.1 GB en genereren ongeveer 130 tokens per second. De pasvorm is krap.

OpenThaiGPT v1.0.0 (13B)— kan ik het draaien op een GPU met 12 GB?

Ja. De GPU kaart GeForce RTX 3080 Ti, houden 12 GB, draait het met een compressie van Q5_K_M, ongeveer 10.1 GB en genereren ongeveer 52.7 tokens per second. De pasvorm is krap.

OpenThaiGPT v1.0.0 (13B)— 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 Q6_K, ongeveer 11.7 GB en genereren ongeveer 53.1 tokens per second. De fit is comfortabel.

OpenThaiGPT v1.0.0 (13B)— 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 Q8_0, ongeveer 14.7 GB en genereren ongeveer 43.3 tokens per second. De fit is comfortabel.

OpenThaiGPT v1.0.0 (13B)— 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.

OpenThaiGPT v1.0.0 (13B)— hoeveel parameters heeft het?

Het heeft een parameter telling van 13.1B. https://huggingface.co/openthaigpt/openthaigpt-1.0.0-13b-chat. 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.

OpenThaiGPT v1.0.0 (13B)— wie heeft het gemaakt?

Het werd gepubliceerd door Mahidol University,AI Entrepreneurs Association of Thailand, gebaseerd op Thailand, een organisatie geclassificeerd als academia.

Bron

Originele publicatie

Laatste update geregistreerd 11 February 2026

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