APUS-xDAN-4.0(MoE) TPS-rekenmachine

Open gewichten Qilin Hesheng Network Technology Co., Ltd. (APUS) 136B 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

37 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

A100 SXM4 80 GB

80 GB · Q3_K_M · 17.1 tok/s

Snelste kaart

H100 NVL 94 GB

28.3 tok/s · 94 GB

Welke GPU's kunnen draaien APUS-xDAN-4.0(MoE)?

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

37 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
28.3 tok/s 17–45 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	83.0 GB	Q4_K_M	Krap
28.2 tok/s 17–45 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	67.1 GB	Q3_K_M	Krap
28.2 tok/s 17–45 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	67.1 GB	Q3_K_M	Krap
24.9 tok/s 15–40 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	146.3 GB	Q8_0	Krap
24.9 tok/s 15–40 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	146.3 GB	Q8_0	Comfortabel
24.2 tok/s 14–39 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	83.0 GB	Q4_K_M	Krap
24.2 tok/s 14–39 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	83.0 GB	Q4_K_M	Krap
24.2 tok/s 14–39 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	83.0 GB	Q4_K_M	Krap
23.1 tok/s 14–37 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	114.6 GB	Q6_K	Krap
22.1 tok/s 13–35 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	114.6 GB	Q6_K	Krap
22.1 tok/s 13–35 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	114.6 GB	Q6_K	Krap
19.9 tok/s 12–32 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	146.3 GB	Q8_0	Comfortabel
19.9 tok/s 12–32 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	146.3 GB	Q8_0	Comfortabel
18.8 tok/s 11–30 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	114.6 GB	Q6_K	Krap
17.1 tok/s 10–27 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	67.1 GB	Q3_K_M	Krap
17.1 tok/s 10–27 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	67.1 GB	Q3_K_M	Krap
17.1 tok/s 10–27 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	67.1 GB	Q3_K_M	Krap
17.1 tok/s 10–27 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	67.1 GB	Q3_K_M	Krap
17.1 tok/s 10–27 · lage vertrouwen	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	67.1 GB	Q3_K_M	Krap
17.1 tok/s 10–27 · lage vertrouwen	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	67.1 GB	Q3_K_M	Krap
16.3 tok/s 10–26 · lage vertrouwen	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	67.1 GB	Q3_K_M	Krap
16.3 tok/s 10–26 · lage vertrouwen	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	67.1 GB	Q3_K_M	Krap
14.6 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	146.3 GB	Q8_0	Comfortabel
12.9 tok/s 8–21 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	146.3 GB	Q8_0	Krap
12.9 tok/s 8–21 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	146.3 GB	Q8_0	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: Qilin Hesheng Network Technology Co., Ltd. (APUS)
Organisatietype: Industry
Land: China
Gepubliceerd: 2 April 2024

Wat het doet

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

Domein: Multimodal, Language
Taak: Chat, Recommender system, Image generation, Language modeling/generation, Question answering, Mathematical reasoning, Quantitative reasoning

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: 136B
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 (restricted use)
Training code: Unreleased
Hugging Face: xDAN-AI

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: A Trillion-Parameter MOE Architecture Model Outperforms Grok1, Compatible with 4090 Graphics Card
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien APUS-xDAN-4.0(MoE)

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 APUS-xDAN-4.0(MoE)

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

A100 SXM4 80 GB

Geheugen nodig

67.1 GB

Snelste

28.3 tok/s

APUS-xDAN-4.0(MoE) bereikt een parameter telling van 136B. Dat plaatst het boven consumentenharde, in het bereik waar een kaart hiervoor wordt gekocht in plaats van ervoor te worden hergebruikt. Het aantal kaarten dat we volgen die het kunnen vasthouden: 37.

Aan de onderkant wordt het afgehandeld door A100 SXM4 80 GB, met een geheugen capaciteit van 80 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 17.1 tokens per seconde

De snelste resultaten komen van H100 NVL 94 GB, genereren ongeveer 28.3 tokens per seconde op basis van een geheugendoorbandsnelheid van 3,940 GB/s.

Over dit model

APUS-xDAN-4.0(MoE) werd gepubliceerd door Qilin Hesheng Network Technology Co., Ltd. (APUS), in het land geregistreerd als China, tijdens April 2024. De publicerende organisatie is geclassificeerd als industry.

Het werkt in het domein van Multimodal, Language, en wordt geregistreerd als het uitvoeren van de taak van chat, Recommender system, Image generation, Language modeling/generation, Question answering, Mathematical reasoning, Quantitative 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 xDAN-AI.

Hoe snel het draait, en waarom

De helft van de kaarten die het vasthouden, beheren meer dan 17.1 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 33 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.

Stap voor stap

Hoe een GPU te kiezen voor APUS-xDAN-4.0(MoE)

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

Begin vanuit de geheugen kolom

Elke kaart hier is gecontroleerd op APUS-xDAN-4.0(MoE), ongeveer nodig 67.1 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

Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor APUS-xDAN-4.0(MoE).
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 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 APUS-xDAN-4.0(MoE). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is H100 NVL 94 GB, bij 28.3 tok/s
05

Kijk naar de speling, niet alleen naar de pasvorm.

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van APUS-xDAN-4.0(MoE). 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 APUS-xDAN-4.0(MoE).

Antwoorden

APUS-xDAN-4.0(MoE) — veelgestelde vragen

APUS-xDAN-4.0(MoE)— 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: 37. Dus een tweede card is zelden het antwoord hier.

APUS-xDAN-4.0(MoE)— 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.

APUS-xDAN-4.0(MoE)— 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: 17–45 tok/s op H100 NVL 94 GB. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

APUS-xDAN-4.0(MoE)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is A100 SXM4 80 GB, met een geheugen capaciteit van 80 GB. Het draait het model op een compressie van Q3_K_M ongeveer 67.1 GB, en produceert ongeveer 17.1 tokens per second. Het aantal kaarten dat het totaal kan draaien: 37.

APUS-xDAN-4.0(MoE)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is H100 NVL 94 GB, ongeveer 28.3 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: 33.

APUS-xDAN-4.0(MoE)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 67.1 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.

APUS-xDAN-4.0(MoE)— 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.

APUS-xDAN-4.0(MoE)— hoeveel parameters heeft het?

Het heeft een parameter telling van 136B. According to reports, APUS-xDAN-4.0 (MoE) is the first open source large model in China with a MoE architecture of more than 100 billion parameters, with a parameter scale of 136 billion. This is also the largest open source model in China. Among the previous large open source models in China, the largest parameter scale was Alibaba's Qianwen 72B with 72 billion parameters, with a parameter scale of 72 billion. 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.

APUS-xDAN-4.0(MoE)— wie heeft het gemaakt?

Het werd gepubliceerd door Qilin Hesheng Network Technology Co., Ltd. (APUS), gebaseerd op China, een organisatie geclassificeerd als industry.

APUS-xDAN-4.0(MoE)— 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.

APUS-xDAN-4.0(MoE)— waarvoor wordt het gebruikt?

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

APUS-xDAN-4.0(MoE)— waar kan ik het downloaden?

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

APUS-xDAN-4.0(MoE)— kan ik het draaien als het niet in mijn GPU past?

Gedeeltelijk. Layers die niet passen, bevinden zich in system memory en draaien met een fractie van de snelheid, dus een grotendeels gedeactiveerd model is zelden de moeite waard om te gebruiken. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 18.2 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

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