YaRN (Llama 2 13B) TPS-rekenmachine

Open gewichten Nous Research,EleutherAI,University of Geneva 13B 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

241 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Xeon Phi 7120P

16 GB · Q4_K_M · 17.2 tok/s

Snelste kaart

B200

261 tok/s · 180 GB

Welke GPU's kunnen draaien YaRN (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

241 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
261 tok/s 222–313	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	20.1 GB	Q8_0	Comfortabel
261 tok/s 222–313	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	20.1 GB	Q8_0	Comfortabel
208 tok/s 125–333 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Comfortabel
208 tok/s 125–333 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	20.1 GB	Q8_0	Comfortabel
166 tok/s 100–266 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	20.1 GB	Q8_0	Comfortabel
159 tok/s 135–191	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Comfortabel
159 tok/s 135–191	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	20.1 GB	Q8_0	Comfortabel
152 tok/s 91–244 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	20.1 GB	Q8_0	Comfortabel
135 tok/s 81–217 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Comfortabel
135 tok/s 81–217 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Comfortabel
135 tok/s 81–217 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	20.1 GB	Q8_0	Comfortabel
128 tok/s 109–154	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	20.1 GB	Q8_0	Comfortabel
109 tok/s 93–131	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Comfortabel
109 tok/s 93–131	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	20.1 GB	Q8_0	Comfortabel
109 tok/s 93–131	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Comfortabel
109 tok/s 93–131	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Comfortabel
109 tok/s 93–131	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	20.1 GB	Q8_0	Comfortabel
85.0 tok/s 72–102	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.0 GB	Q4_K_M	Krap
83.4 tok/s 50–133 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Comfortabel
83.4 tok/s 50–133 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	20.1 GB	Q8_0	Comfortabel
72.2 tok/s 61–87	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.0 GB	Q4_K_M	Krap
69.5 tok/s 42–111 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	20.1 GB	Q8_0	Comfortabel
68.0 tok/s 41–109 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	20.1 GB	Q8_0	Comfortabel
67.5 tok/s 57–81	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	14.0 GB	Q4_K_M	Krap
67.5 tok/s 57–81	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	14.0 GB	Q4_K_M	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: Nous Research,EleutherAI,University of Geneva
Organisatietype: Industry,Research collective,Academia
Land: United States of America, Switzerland
Gepubliceerd: 1 November 2023
Auteurs: Bowen Peng, Jeffrey Quesnelle, Honglu Fan, Enrico Shippole

Wat het doet

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

Domein: Language
Taak: Language modeling/generation, Question answering
Basis model: Llama 2-13B

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: 13B
Training gegevens: 2,457,600,000 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: 1.9 × 10²⁰ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 1.9 × 10²⁰ 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 (restricted use)
Training code: Open source
Hugging Face: NousResearch

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: YaRN: Efficient Context Window Extension of Large Language Models
Laatst bijgewerkt: 11 February 2026

De extremen

De tien snelste GPU's die draaien YaRN (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 YaRN (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

Wat je nodig hebt om het te draaien

Minimum kaart

Xeon Phi 7120P

Geheugen nodig

14.0 GB

Snelste

261 tok/s

YaRN (Llama 2 13B) bereikt een parameter telling van 13B. 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: 241.

De minste hardware die werkt is Xeon Phi 7120P, met een geheugen capaciteit van 16 GB, het draaien ervan met een compressie van Q4_K_M en produceren rond 17.2 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 261 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

YaRN (Llama 2 13B) werd gepubliceerd door Nous Research,EleutherAI,University of Geneva, in het land geregistreerd als United States of America, tijdens November 2023. De publicerende organisatie is geclassificeerd als industry,Research collective,Academia.

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

Het startpunt was een bestaand basismodel, Llama 2-13B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.

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 NousResearch.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 30.0 tokens per seconde. 220 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 aandacht lay-out staat in onze database, zodat de GPU VRAM cijfers precies worden berekend in plaats van benaderd.

Wat erin ging zitten om het te bouwen

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.9 × 10²⁰ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Training verbruikte een corpus van ongeveer 2,457,600,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor YaRN (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

Lees eerst de geheugenfiguur

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van YaRN (Llama 2 13B), ongeveer nodig 14.0 GB bij een compressie van Q4_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Bepaal hoe lang je gesprekken duren

Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor YaRN (Llama 2 13B).
03

Stel een kwaliteitsvloer in

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q4_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

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor YaRN (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 261 tok/s
05

Kijk naar de speling, niet alleen naar de pasvorm.

Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van YaRN (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

Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op YaRN (Llama 2 13B).

Antwoorden

YaRN (Llama 2 13B) — veelgestelde vragen

YaRN (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 Q8_0, ongeveer 20.1 GB en genereren ongeveer 43.7 tokens per second. De pasvorm is krap.

YaRN (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.

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

Het heeft een parameter telling van 13B. same as base model. 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.

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

Het werd gepubliceerd door Nous Research,EleutherAI,University of Geneva, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Research collective,Academia.

YaRN (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.

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

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

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

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

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

Training verbruikte ongeveer 1.9 × 10²⁰ FLOP. 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.

YaRN (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 3.2 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

YaRN (Llama 2 13B)— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 241. Dus een tweede card is zelden het antwoord hier.

YaRN (Llama 2 13B)— 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: 3. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

YaRN (Llama 2 13B)— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 222–313 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

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

De kleinste kaart in onze catalogus die het vasthoudt is Xeon Phi 7120P, met een geheugen capaciteit van 16 GB. Het draait het model op een compressie van Q4_K_M ongeveer 14.0 GB, en produceert ongeveer 17.2 tokens per second. Het aantal kaarten dat het totaal kan draaien: 241.

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

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 261 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: 220.

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

Het heeft ongeveer 14.0 GB bij een compressie van Q4_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.

YaRN (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 14.0 GB en genereren ongeveer 85.0 tokens per second. De pasvorm is krap.

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