OpenThaiGPT v1.0.0 (7B) TPS-rekenmachine

Open gewichten Mahidol University,AI Entrepreneurs Association of Thailand 6.8B 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

589 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla K20c

5 GB · IQ4_XS · 27.0 tok/s

Snelste kaart

B200

498 tok/s · 180 GB

Welke GPU's kunnen draaien OpenThaiGPT v1.0.0 (7B)?

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

589 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
498 tok/s 299–796 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.0 GB	Q8_0	Comfortabel
498 tok/s 299–796 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.0 GB	Q8_0	Comfortabel
397 tok/s 238–636 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.0 GB	Q8_0	Comfortabel
397 tok/s 238–636 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.0 GB	Q8_0	Comfortabel
318 tok/s 191–508 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.0 GB	Q8_0	Comfortabel
304 tok/s 182–487 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.0 GB	Q8_0	Comfortabel
304 tok/s 182–487 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.0 GB	Q8_0	Comfortabel
291 tok/s 175–466 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.0 GB	Q8_0	Comfortabel
258 tok/s 155–413 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Comfortabel
258 tok/s 155–413 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Comfortabel
258 tok/s 155–413 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.0 GB	Q8_0	Comfortabel
245 tok/s 147–392 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.0 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.0 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.0 GB	Q8_0	Comfortabel
159 tok/s 95–255 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.0 GB	Q8_0	Comfortabel
159 tok/s 95–255 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.0 GB	Q8_0	Comfortabel
135 tok/s 81–215 · lage vertrouwen	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.4 GB	Q6_K	Krap
133 tok/s 80–212 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.0 GB	Q8_0	Comfortabel
130 tok/s 78–208 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.0 GB	Q8_0	Comfortabel
127 tok/s 76–203 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.0 GB	Q8_0	Comfortabel
127 tok/s 76–203 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.0 GB	Q8_0	Comfortabel
127 tok/s 76–203 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.0 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 2-7B

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: 6.8B
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: 2.7 × 10²¹ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 4.1 × 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 7b 1.0.0
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien OpenThaiGPT v1.0.0 (7B)

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 (7B)

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

Wat nodig is om dit model te draaien

Minimum kaart

Tesla K20c

Geheugen nodig

4.4 GB

Snelste

498 tok/s

OpenThaiGPT v1.0.0 (7B) bereikt een parameter telling van 6.8B. 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: 589.

De kleinste kaart die het vasthoudt is Tesla K20c, met een geheugen capaciteit van 5 GB, het draaien ervan met een compressie van IQ4_XS en produceren rond 27.0 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 498 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

OpenThaiGPT v1.0.0 (7B) werd gepubliceerd door Mahidol University,AI Entrepreneurs Association of Thailand, in het land geregistreerd als Thailand, tijdens April 2024. De categorie waaronder de uitgever valt is 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 2-7B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.

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.

Wat bepaalt de snelheid

De helft van de kaarten die het vasthouden, beheren meer dan 26.9 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 562 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.

Hoe het getraind werd

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.7 × 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 (7B)

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 (7B), ongeveer nodig 4.4 GB bij een compressie van IQ4_XS. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
02

Bepaal hoe lang je gesprekken duren

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 (7B).
03

Kies hoe ver je het wilt comprimeren

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van IQ4_XS 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

Sorteer op snelheid

De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. OpenThaiGPT v1.0.0 (7B). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 498 tok/s
05

Controleer het geschiktheidsadvies voordat je koopt

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van OpenThaiGPT v1.0.0 (7B). 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

Open de kaart die je hebt gekozen.

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 (7B).

Antwoorden

OpenThaiGPT v1.0.0 (7B) — veelgestelde vragen

OpenThaiGPT v1.0.0 (7B)— 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 (7B)— 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 (7B)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.7 × 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 (7B)— 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 1.2 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

OpenThaiGPT v1.0.0 (7B)— 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: 589. Dus een tweede card is zelden het antwoord hier.

OpenThaiGPT v1.0.0 (7B)— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

OpenThaiGPT v1.0.0 (7B)— hoe nauwkeurig zijn deze snelheidsschattingen?

Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: 299–796 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 (7B)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla K20c, met een geheugen capaciteit van 5 GB. Het draait het model op een compressie van IQ4_XS ongeveer 4.4 GB, en produceert ongeveer 27.0 tokens per second. Het aantal kaarten dat het totaal kan draaien: 589.

OpenThaiGPT v1.0.0 (7B)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 498 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: 562.

OpenThaiGPT v1.0.0 (7B)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 4.4 GB bij een compressie van IQ4_XS, 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 (7B)— 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 Q6_K, ongeveer 6.4 GB en genereren ongeveer 135 tokens per second. De pasvorm is krap.

OpenThaiGPT v1.0.0 (7B)— 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 Q8_0, ongeveer 8.0 GB en genereren ongeveer 56.7 tokens per second. De fit is comfortabel.

OpenThaiGPT v1.0.0 (7B)— 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 Q8_0, ongeveer 8.0 GB en genereren ongeveer 70.3 tokens per second. De fit is comfortabel.

OpenThaiGPT v1.0.0 (7B)— 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 8.0 GB en genereren ongeveer 83.3 tokens per second. De fit is comfortabel.

OpenThaiGPT v1.0.0 (7B)— 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 (7B)— hoeveel parameters heeft het?

Het heeft een parameter telling van 6.8B. https://huggingface.co/openthaigpt/openthaigpt-1.0.0-7b-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 (7B)— wie heeft het gemaakt?

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

OpenThaiGPT v1.0.0 (7B)— 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.

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