mPLUG-Owl2 TPS-rekenmachine

Open gewichten Alibaba 7.1B 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

589 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla K20c

5 GB · Q3_K_M · 28.4 tok/s

Snelste kaart

B200

476 tok/s · 180 GB

Welke GPU's kunnen draaien mPLUG-Owl2?

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
476 tok/s 286–761 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.3 GB	Q8_0	Comfortabel
476 tok/s 286–761 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.3 GB	Q8_0	Comfortabel
380 tok/s 228–608 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Comfortabel
380 tok/s 228–608 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.3 GB	Q8_0	Comfortabel
304 tok/s 182–486 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.3 GB	Q8_0	Comfortabel
291 tok/s 175–465 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Comfortabel
291 tok/s 175–465 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.3 GB	Q8_0	Comfortabel
278 tok/s 167–445 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.3 GB	Q8_0	Comfortabel
247 tok/s 148–395 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Comfortabel
247 tok/s 148–395 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Comfortabel
247 tok/s 148–395 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.3 GB	Q8_0	Comfortabel
234 tok/s 141–375 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.3 GB	Q8_0	Comfortabel
200 tok/s 120–320 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Comfortabel
200 tok/s 120–320 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.3 GB	Q8_0	Comfortabel
200 tok/s 120–320 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Comfortabel
200 tok/s 120–320 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Comfortabel
200 tok/s 120–320 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.3 GB	Q8_0	Comfortabel
152 tok/s 91–244 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Comfortabel
152 tok/s 91–244 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.3 GB	Q8_0	Comfortabel
129 tok/s 77–206 · lage vertrouwen	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q6_K	Krap
127 tok/s 76–203 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.3 GB	Q8_0	Comfortabel
124 tok/s 74–199 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.3 GB	Q8_0	Comfortabel
121 tok/s 73–194 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.3 GB	Q8_0	Comfortabel
121 tok/s 73–194 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.3 GB	Q8_0	Comfortabel
121 tok/s 73–194 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.3 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: Alibaba
Organisatietype: Industry
Land: China
Gepubliceerd: 7 November 2023
Auteurs: Qinghao Ye, Haiyang Xu, Jiabo Ye, Ming Yan, Anwen Hu, Haowei Liu, Qi Qian, Ji Zhang, Fei Huang, Jingren Zhou

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, Language modeling/generation
Basis model: Llama 2-7B
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: 7.1B
Training gegevens: 182,032,793,600 tokens
Epochs: 1

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.

Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 1.7 × 10¹⁹ 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 (unrestricted)
Training code: Open source
Hugging Face: Mizukiluke

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: Speculative

Bronnen

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

Referentie: mPLUG-Owl2: Revolutionizing Multi-modal Large Language Model with Modality Collaboration
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien mPLUG-Owl2

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 mPLUG-Owl2

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

Tesla K20c

Geheugen nodig

4.2 GB

Snelste

476 tok/s

mPLUG-Owl2 bereikt een parameter telling van 7.1B. 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.

Aan de onderkant wordt het afgehandeld door Tesla K20c, met een geheugen capaciteit van 5 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 28.4 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 476 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Achtergrond

mPLUG-Owl2 werd gepubliceerd door Alibaba, in het land geregistreerd als China, tijdens November 2023. De publicerende organisatie is geclassificeerd als industry.

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

Het startpunt was een bestaand basismodel, Llama 2-7B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.

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 Mizukiluke.

Het lezen van de doorvoercijfers

De helft van de kaarten die het vasthouden, beheren meer dan 25.7 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 559 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.

Wat erin ging zitten om het te bouwen

Het is getraind op een corpus van ongeveer 182,032,793,600 tekstokens

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

Stap voor stap

Hoe een GPU te kiezen voor mPLUG-Owl2

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.

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van mPLUG-Owl2, ongeveer nodig 4.2 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Stel de contextlengte in waarmee je gaat werken

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 mPLUG-Owl2.
03

Bepaal hoeveel compressie je accepteert

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

Vergelijk tokens per seconde, niet specificaties

De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. mPLUG-Owl2. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 476 tok/s
05

Controleer het geschiktheidsadvies voordat je koopt

Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van mPLUG-Owl2. 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 mPLUG-Owl2.

Antwoorden

mPLUG-Owl2 — veelgestelde vragen

mPLUG-Owl2— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 589. Dus een tweede card is zelden het antwoord hier.

mPLUG-Owl2— 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.

mPLUG-Owl2— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 286–761 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

mPLUG-Owl2— 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 Q3_K_M ongeveer 4.2 GB, en produceert ongeveer 28.4 tokens per second. Het aantal kaarten dat het totaal kan draaien: 589.

mPLUG-Owl2— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 476 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: 559.

mPLUG-Owl2— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 4.2 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.

mPLUG-Owl2— 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 6.7 GB en genereren ongeveer 129 tokens per second. De pasvorm is krap.

mPLUG-Owl2— 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 8.3 GB en genereren ongeveer 54.3 tokens per second. De fit is comfortabel.

mPLUG-Owl2— 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 8.3 GB en genereren ongeveer 67.2 tokens per second. De fit is comfortabel.

mPLUG-Owl2— 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 8.3 GB en genereren ongeveer 79.7 tokens per second. De fit is comfortabel.

mPLUG-Owl2— 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.

mPLUG-Owl2— hoeveel parameters heeft het?

Het heeft een parameter telling van 7.1B. "As depicted in Figure 2, our model, referred to as mPLUGOwl2, is composed of three main components: a fundamental vision encoder, a visual abstractor, and a language decoder. Specifically, we utilize ViT-L/14 as the vision encoder and LLaMA-2-7B [58] as the language decoder" ViT-L/14 has 123M parameters and Llama 2 7B has 7B 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.

mPLUG-Owl2— wie heeft het gemaakt?

Het werd gepubliceerd door Alibaba, gebaseerd op China, een organisatie geclassificeerd als industry.

mPLUG-Owl2— 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.

mPLUG-Owl2— 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, Language modeling/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.

mPLUG-Owl2— waar kan ik het downloaden?

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

mPLUG-Owl2— 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 1.4 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Bron

Originele publicatie

Laatste update geregistreerd 28 November 2025

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