OmniFusion-7B (InternViT-6B-448px V1-2) TPS-rekenmachine

Open gewichten AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology 12.5B parameters November 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

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 · 19.0 tok/s

Snelste kaart

B200

270 tok/s · 180 GB

Welke GPU's kunnen draaien OmniFusion-7B (InternViT-6B-448px V1-2)?

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
270 tok/s 162–432 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.1 GB	Q8_0	Comfortabel
270 tok/s 162–432 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.1 GB	Q8_0	Comfortabel
216 tok/s 129–345 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Comfortabel
216 tok/s 129–345 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Comfortabel
173 tok/s 104–276 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.1 GB	Q8_0	Comfortabel
165 tok/s 99–264 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Comfortabel
165 tok/s 99–264 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Comfortabel
158 tok/s 95–253 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.1 GB	Q8_0	Comfortabel
140 tok/s 84–224 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Comfortabel
140 tok/s 84–224 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Comfortabel
140 tok/s 84–224 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Comfortabel
136 tok/s 81–217 · lage vertrouwen	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.8 GB	Q3_K_M	Krap
133 tok/s 80–213 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.1 GB	Q8_0	Comfortabel
122 tok/s 73–195 · lage vertrouwen	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q4_K_M	Krap
113 tok/s 68–182 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Comfortabel
113 tok/s 68–182 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.1 GB	Q8_0	Comfortabel
113 tok/s 68–182 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Comfortabel
113 tok/s 68–182 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Comfortabel
113 tok/s 68–182 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Comfortabel
86.4 tok/s 52–138 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Comfortabel
86.4 tok/s 52–138 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Comfortabel
72.0 tok/s 43–115 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.1 GB	Q8_0	Comfortabel
70.5 tok/s 42–113 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.1 GB	Q8_0	Comfortabel
70.0 tok/s 42–112 · lage vertrouwen	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.8 GB	Q3_K_M	Krap
68.9 tok/s 41–110 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.1 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: AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology
Organisatietype: Research collective,Industry,Government,Academia
Land: Russia
Gepubliceerd: 22 November 2023
Auteurs: Elizaveta Goncharova, Anton Razzhigaev, Matvey Mikhalchuk, Maxim Kurkin, Irina Abdullaeva, Matvey Skripkin, Ivan Oseledets, Denis Dimitrov, Andrey Kuznetsov

Wat het doet

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

Domein: Multimodal, Vision, Language
Taak: Visual question answering, Language modeling/generation, Question answering
Basis model: InternViT-6B,GigaChat-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: 12.5B
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.

Fijn-tuning compute: 4 × 10¹⁶ FLOP

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Training hardware: NVIDIA A100
Gebruikte chips: 8
Stroomverbruik: 6.3 kW

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
Hugging Face: AIRI-Institute

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
Citaties: 7

Bronnen

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

Referentie: OmniFusion Technical Report
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2)

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

Hardwarevereisten in de praktijk

Minimum kaart

Xeon Phi 5110P

Geheugen nodig

6.8 GB

Snelste

270 tok/s

OmniFusion-7B (InternViT-6B-448px V1-2) bereikt een parameter telling van 12.5B. 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.

Het toegangspunt is Xeon Phi 5110P, met een geheugen capaciteit van 8 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 19.0 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 270 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

OmniFusion-7B (InternViT-6B-448px V1-2) werd gepubliceerd door AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, in het land geregistreerd als Russia, tijdens November 2023. De publicerende organisatie is geclassificeerd als research collective,Industry,Government,Academia.

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

Het startpunt was een bestaand basismodel, InternViT-6B,GigaChat-7B. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.

Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload. Op Hugging Face is het gepubliceerd onder de organisatie AIRI-Institute.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 20.3 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 451 van hen

Doordat het dicht is, leest het alles per token, wat de reden is waarom de volgorde op snelheid hieronder zo nauwkeurig de volgorde op geheugendebandbreedte volgt.

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 OmniFusion-7B (InternViT-6B-448px V1-2)

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. OmniFusion-7B (InternViT-6B-448px V1-2), ongeveer nodig 6.8 GB bij een compressie van Q3_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
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 OmniFusion-7B (InternViT-6B-448px V1-2).
03

Stel een kwaliteitsvloer in

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 OmniFusion-7B (InternViT-6B-448px V1-2). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 270 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 OmniFusion-7B (InternViT-6B-448px V1-2). 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 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 OmniFusion-7B (InternViT-6B-448px V1-2).

Antwoorden

OmniFusion-7B (InternViT-6B-448px V1-2) — veelgestelde vragen

OmniFusion-7B (InternViT-6B-448px V1-2)— hoe nauwkeurig zijn deze snelheidsschattingen?

Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 162–432 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 6.8 GB, en produceert ongeveer 19.0 tokens per second. Het aantal kaarten dat het totaal kan draaien: 509.

OmniFusion-7B (InternViT-6B-448px V1-2)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 270 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: 451.

OmniFusion-7B (InternViT-6B-448px V1-2)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 6.8 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 6.8 GB en genereren ongeveer 136 tokens per second. De pasvorm is krap.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 9.7 GB en genereren ongeveer 55.0 tokens per second. De pasvorm is krap.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB en genereren ongeveer 38.2 tokens per second. De pasvorm is krap.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB en genereren ongeveer 45.3 tokens per second. De fit is comfortabel.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— hoeveel parameters heeft het?

Het heeft een parameter telling van 12.5B. The model uses InternViT-6B-448px V1-2 as the visual encoder, which undergoes pre-training, and GigaChat-7B as the LLM, which undergoes fine-tuning [1]. InternViT-6B-448px V1-2 has 5.54B parameters [2], and GigaChat-7B, being closed-source is assumed to have 7B parameters. 1. https://arxiv.org/pdf/2404.06212 2. https://huggingface.co/OpenGVLab/InternViT-6B-448px-V1-2. 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— wie heeft het gemaakt?

Het werd gepubliceerd door AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, gebaseerd op Russia, een organisatie geclassificeerd als research collective,Industry,Government,Academia.

OmniFusion-7B (InternViT-6B-448px V1-2)— wanneer is het uitgebracht?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— waarvoor wordt het gebruikt?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— waar kan ik het downloaden?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 2.9 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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: 509. Dus een tweede card is zelden het antwoord hier.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

Bron

Originele publicatie

Laatste update geregistreerd 25 May 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