SPHINX (Llama 2 13B) TPS-rekenmachine

Open gewichten Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University 19.9B 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

293 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Quadro K6000

12 GB · Q3_K_M · 14.1 tok/s

Snelste kaart

B200

170 tok/s · 180 GB

Welke GPU's kunnen draaien SPHINX (Llama 2 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

293 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
170 tok/s 102–272 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	22.0 GB	Q8_0	Comfortabel
170 tok/s 102–272 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	22.0 GB	Q8_0	Comfortabel
136 tok/s 82–218 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Comfortabel
136 tok/s 82–218 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	22.0 GB	Q8_0	Comfortabel
109 tok/s 65–174 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	22.0 GB	Q8_0	Comfortabel
104 tok/s 62–167 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Comfortabel
104 tok/s 62–167 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	22.0 GB	Q8_0	Comfortabel
99.6 tok/s 60–159 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	22.0 GB	Q8_0	Comfortabel
88.4 tok/s 53–141 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Comfortabel
88.4 tok/s 53–141 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Comfortabel
88.4 tok/s 53–141 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	22.0 GB	Q8_0	Comfortabel
83.9 tok/s 50–134 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	22.0 GB	Q8_0	Comfortabel
71.5 tok/s 43–114 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Comfortabel
71.5 tok/s 43–114 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	22.0 GB	Q8_0	Comfortabel
71.5 tok/s 43–114 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Comfortabel
71.5 tok/s 43–114 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Comfortabel
71.5 tok/s 43–114 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	22.0 GB	Q8_0	Comfortabel
55.5 tok/s 33–89 · lage vertrouwen	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	12.7 GB	Q4_K_M	Krap
54.5 tok/s 33–87 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Comfortabel
54.5 tok/s 33–87 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	22.0 GB	Q8_0	Comfortabel
52.4 tok/s 31–84 · lage vertrouwen	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	10.4 GB	Q3_K_M	Krap
52.4 tok/s 31–84 · lage vertrouwen	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	10.4 GB	Q3_K_M	Krap
47.2 tok/s 28–75 · lage vertrouwen	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	12.7 GB	Q4_K_M	Krap
45.4 tok/s 27–73 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	22.0 GB	Q8_0	Comfortabel
44.4 tok/s 27–71 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	22.0 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: Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University
Organisatietype: Academia,Academia,Academia
Land: China, Hong Kong
Gepubliceerd: 13 November 2023
Auteurs: Ziyi Lin, Chris Liu, Renrui Zhang, Peng Gao, Longtian Qiu, Han Xiao, Han Qiu, Chen Lin, Wenqi Shao, Keqin Chen, Jiaming Han, Siyuan Huang, Yichi Zhang, Xuming He, Hongsheng Li, Yu Qiao

Wat het doet

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

Domein: Vision, Language, Multimodal
Taak: Visual question answering, Image captioning
Basis model: Llama 2-13B
Numerieke indeling: BF16

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: 19.9B
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: 3 × 10²² FLOP
Hoe het werd opgericht: Hardware
Fijn-tuning compute: 4 × 10²¹ 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 SXM4 40 GB
Gebruikte chips: 32
Chip-uren: 9,280
Kloktijd: 290 hours (12.1 days)
Stroomverbruik: 25.4 kW
Rekenkosten: $239,189

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: Open (restricted use)
Hugging Face: Alpha-VLLM

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.

Waarom het wordt gevolgd: SOTA improvement
Record vertrouwen: Likely

Bronnen

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

Referentie: SPHINX: The Joint Mixing of Weights, Tasks, and Visual Embeddings for Multi-modal Large Language Models
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien SPHINX (Llama 2 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 SPHINX (Llama 2 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

Hardwarevereisten in de praktijk

Minimum kaart

Quadro K6000

Geheugen nodig

10.4 GB

Snelste

170 tok/s

SPHINX (Llama 2 13B) bereikt een parameter telling van 19.9B. 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: 293.

Het toegangspunt is Quadro K6000, met een geheugen capaciteit van 12 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 14.1 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 170 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

SPHINX (Llama 2 13B) werd gepubliceerd door Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, in het land geregistreerd als China, tijdens November 2023. De publicerende organisatie is geclassificeerd als academia,Academia,Academia.

Het werkt in het domein van Vision, Language, Multimodal, en wordt geregistreerd als het uitvoeren van de taak van visual question answering, Image captioning.

In plaats van vanaf nul te worden getraind, is het afgeleid van Llama 2-13B. Dat is waarom het de algemene vorm en grootte van het basismodell deelt.

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. Op Hugging Face is het gepubliceerd onder de organisatie Alpha-VLLM.

Begrijpen van de snelheden

De mediaanresultaat is rond 20.7 tokens per second. Outright de leessnelheid overschrijden. 248 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.

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.

Wat erin ging zitten om het te bouwen

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3 × 10²² FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 40 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor SPHINX (Llama 2 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

Begin vanuit de geheugen kolom

Elke kaart hier is gecontroleerd op SPHINX (Llama 2 13B), ongeveer nodig 10.4 GB bij een compressie van Q3_K_M. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
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. SPHINX (Llama 2 13B).
03

Stel een kwaliteitsvloer in

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., 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

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor SPHINX (Llama 2 13B). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 170 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 SPHINX (Llama 2 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

Zie wat die kaart nog meer draait

Elke kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast SPHINX (Llama 2 13B).

Antwoorden

SPHINX (Llama 2 13B) — veelgestelde vragen

SPHINX (Llama 2 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 Q3_K_M, ongeveer 10.4 GB en genereren ongeveer 52.4 tokens per second. De pasvorm is krap.

SPHINX (Llama 2 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 Q4_K_M, ongeveer 12.7 GB en genereren ongeveer 55.5 tokens per second. De pasvorm is krap.

SPHINX (Llama 2 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 Q6_K, ongeveer 17.4 GB en genereren ongeveer 41.4 tokens per second. De fit is comfortabel.

SPHINX (Llama 2 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.

SPHINX (Llama 2 13B)— hoeveel parameters heeft het?

Het heeft een parameter telling van 19.9B. SPHINX + Llama 2 13B SPHINX component involves four vision encoders: - CLIP - ViT - CLIP - ConvNeXt V2 (89M to 659M params, depending on size) - DinoV2 - ViT (22M to 1.14B params, depending on size) - Q-former (188M params) Also involves to projection networks Huggingface Hub model files appear to be 39.8GB. Assuming models are stored in fp16 there are 2 bytes per parameter, so 39.8 / 2 = 19.9B parameters. 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.

SPHINX (Llama 2 13B)— wie heeft het gemaakt?

Het werd gepubliceerd door Shanghai AI Lab,Chinese University of Hong Kong (CUHK),ShanghaiTech University, gebaseerd op China, een organisatie geclassificeerd als academia,Academia,Academia.

SPHINX (Llama 2 13B)— 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.

SPHINX (Llama 2 13B)— waarvoor wordt het gebruikt?

Het werkt in het domein van Vision, Language, Multimodal, en wordt geregistreerd als het afhandelen van visual question answering, Image captioning. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

SPHINX (Llama 2 13B)— waar kan ik het downloaden?

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

SPHINX (Llama 2 13B)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 3 × 10²² FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 40 GB. 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.

SPHINX (Llama 2 13B)— 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 2.8 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

SPHINX (Llama 2 13B)— 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: 293. Dus een tweede card is zelden het antwoord hier.

SPHINX (Llama 2 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

SPHINX (Llama 2 13B)— 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: 102–272 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

SPHINX (Llama 2 13B)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Quadro K6000, met een geheugen capaciteit van 12 GB. Het draait het model op een compressie van Q3_K_M ongeveer 10.4 GB, en produceert ongeveer 14.1 tokens per second. Het aantal kaarten dat het totaal kan draaien: 293.

SPHINX (Llama 2 13B)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 170 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: 248.

SPHINX (Llama 2 13B)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 10.4 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.

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