Bird Vocalization Classifier (Perch) TPS-rekenmachine

Open gewichten Google Research,Cornell University,Naturalis Biodiversity Center,Chemnitz University of Technology 7.8M parameters December 2023

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 het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 4,726 tok/s

Snelste kaart

B200

434,389 tok/s · 180 GB

Welke GPU's kunnen draaien Bird Vocalization Classifier (Perch)?

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

818 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
434,389 tok/s 260,633–695,023 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Comfortabel
434,389 tok/s 260,633–695,023 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Comfortabel
346,871 tok/s 208,122–554,993 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comfortabel
346,871 tok/s 208,122–554,993 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comfortabel
277,412 tok/s 166,447–443,859 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
265,520 tok/s 159,312–424,833 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comfortabel
265,520 tok/s 159,312–424,833 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comfortabel
254,118 tok/s 152,471–406,588 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Comfortabel
225,529 tok/s 135,318–360,847 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
225,529 tok/s 135,318–360,847 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
225,529 tok/s 135,318–360,847 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
213,937 tok/s 128,362–342,299 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
182,443 tok/s 109,466–291,910 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
182,443 tok/s 109,466–291,910 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Comfortabel
182,443 tok/s 109,466–291,910 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
182,443 tok/s 109,466–291,910 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
182,443 tok/s 109,466–291,910 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
138,918 tok/s 83,351–222,268 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comfortabel
138,918 tok/s 83,351–222,268 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comfortabel
115,765 tok/s 69,459–185,224 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
113,294 tok/s 67,976–181,271 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
110,769 tok/s 66,462–177,231 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Comfortabel
110,769 tok/s 66,462–177,231 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Comfortabel
110,769 tok/s 66,462–177,231 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Comfortabel
110,769 tok/s 66,462–177,231 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Google Research,Cornell University,Naturalis Biodiversity Center,Chemnitz University of Technology
Organisatietype: Industry,Academia,Government,Academia
Land: United States of America, Germany
Gepubliceerd: 18 December 2023
Auteurs: Burooj Ghani, Tom Denton, Stefan Kahl, Holger Klinck

Wat het doet

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

Domein: Audio
Taak: Audio classification
Basis model: EfficientNet-B1

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: 7.8M
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: Open source

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: Likely

Bronnen

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

Referentie: Global birdsong embeddings enable superior transfer learning for bioacoustic classification
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien Bird Vocalization Classifier (Perch)

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 Bird Vocalization Classifier (Perch)

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 je nodig hebt om het te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

0.7 GB

Snelste

434,389 tok/s

Bird Vocalization Classifier (Perch) bereikt een parameter telling van 7.8M. 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: 818.

De minste hardware die werkt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 4,726 tokens per seconde

De snelste resultaten komen van B200, genereren ongeveer 434,389 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

Bird Vocalization Classifier (Perch) werd gepubliceerd door Google Research,Cornell University,Naturalis Biodiversity Center,Chemnitz University of Technology, in het land geregistreerd als United States of America, tijdens December 2023. De categorie waaronder de uitgever valt is industry,Academia,Government,Academia.

Het werkt in het domein van Audio, en wordt geregistreerd als het uitvoeren van de taak van audio classification.

In plaats van vanaf nul te worden getraind, is het afgeleid van EfficientNet-B1. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.

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.

Hoe snel het draait, en waarom

De helft van de kaarten die het vasthouden, beheren meer dan 12,197.7 tokens per seconde. 818 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 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 Bird Vocalization Classifier (Perch)

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

De tabel vermeldt elke kaart die in staat is om te bevatten. Bird Vocalization Classifier (Perch), ongeveer nodig 0.7 GB bij een compressie van Q8_0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
02

Bepaal hoe lang je gesprekken duren

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 Bird Vocalization Classifier (Perch).
03

Bepaal hoeveel compressie je accepteert

De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., bereiken van een compressie van Q8_0 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

De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. Bird Vocalization Classifier (Perch). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 434,389 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 Bird Vocalization Classifier (Perch). 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 kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast Bird Vocalization Classifier (Perch).

Antwoorden

Bird Vocalization Classifier (Perch) — veelgestelde vragen

Bird Vocalization Classifier (Perch)— 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 0.7 GB en genereren ongeveer 49,542 tokens per second. De fit is comfortabel.

Bird Vocalization Classifier (Perch)— 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 0.7 GB en genereren ongeveer 61,357 tokens per second. De fit is comfortabel.

Bird Vocalization Classifier (Perch)— 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 0.7 GB en genereren ongeveer 72,760 tokens per second. De fit is comfortabel.

Bird Vocalization Classifier (Perch)— 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.

Bird Vocalization Classifier (Perch)— hoeveel parameters heeft het?

Het heeft een parameter telling van 7.8M. EfficientNet-B1 architecture (7.8M parameters) - I assume this model has the same amount embedding size: 1280. 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.

Bird Vocalization Classifier (Perch)— wie heeft het gemaakt?

Het werd gepubliceerd door Google Research,Cornell University,Naturalis Biodiversity Center,Chemnitz University of Technology, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Government,Academia.

Bird Vocalization Classifier (Perch)— wanneer is het uitgebracht?

Het werd gepubliceerd in December 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

Bird Vocalization Classifier (Perch)— waarvoor wordt het gebruikt?

Het werkt in het domein van Audio, en wordt geregistreerd als het afhandelen van audio classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

Bird Vocalization Classifier (Perch)— waar kan ik het downloaden?

De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

Bird Vocalization Classifier (Perch)— 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. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Bird Vocalization Classifier (Perch)— 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: 818. Dus een tweede card is zelden het antwoord hier.

Bird Vocalization Classifier (Perch)— 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.

Bird Vocalization Classifier (Perch)— 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: 260,633–695,023 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Bird Vocalization Classifier (Perch)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB. Het draait het model op een compressie van Q8_0 ongeveer 0.7 GB, en produceert ongeveer 4,726 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

Bird Vocalization Classifier (Perch)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 434,389 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: 818.

Bird Vocalization Classifier (Perch)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 0.7 GB bij een compressie van Q8_0, 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.

Bird Vocalization Classifier (Perch)— 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 Q8_0, ongeveer 0.7 GB en genereren ongeveer 80,905 tokens per second. De fit is comfortabel.

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