YaRN (Llama 2 70B) TPS-rekenmachine

Open gewichten Nous Research,EleutherAI,University of Geneva 70B 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

61 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

A100 PCIe 40 GB

40 GB · Q3_K_M · 25.5 tok/s

Snelste kaart

B200

48.4 tok/s · 180 GB

Welke GPU's kunnen draaien YaRN (Llama 2 70B)?

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

61 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
48.4 tok/s 41–58	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	73.8 GB	Q8_0	Comfortabel
48.4 tok/s 41–58	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	73.8 GB	Q8_0	Comfortabel
38.7 tok/s 23–62 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	73.8 GB	Q8_0	Comfortabel
38.7 tok/s 23–62 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	73.8 GB	Q8_0	Comfortabel
30.9 tok/s 19–49 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	73.8 GB	Q8_0	Comfortabel
29.6 tok/s 25–36	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	73.8 GB	Q8_0	Comfortabel
29.6 tok/s 25–36	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	73.8 GB	Q8_0	Comfortabel
29.5 tok/s 25–35	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	57.5 GB	Q6_K	Comfortabel
29.5 tok/s 25–35	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	57.5 GB	Q6_K	Comfortabel
28.3 tok/s 17–45 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	73.8 GB	Q8_0	Comfortabel
26.1 tok/s 22–31	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	41.2 GB	Q4_K_M	Krap
25.5 tok/s 22–31	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	33.0 GB	Q3_K_M	Krap
25.5 tok/s 22–31	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	33.0 GB	Q3_K_M	Krap
25.5 tok/s 22–31	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	33.0 GB	Q3_K_M	Krap
25.1 tok/s 15–40 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Comfortabel
25.1 tok/s 15–40 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Comfortabel
25.1 tok/s 15–40 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	73.8 GB	Q8_0	Comfortabel
23.8 tok/s 20–29	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	73.8 GB	Q8_0	Krap
20.3 tok/s 17–24	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Krap
20.3 tok/s 17–24	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Krap
20.3 tok/s 17–24	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.8 GB	Q8_0	Krap
18.7 tok/s 16–22	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	41.2 GB	Q4_K_M	Krap
17.9 tok/s 15–22	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	57.5 GB	Q6_K	Comfortabel
17.9 tok/s 15–22	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	57.5 GB	Q6_K	Comfortabel
17.9 tok/s 15–22	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	57.5 GB	Q6_K	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: 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 2-70B

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: 70B
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 × 10²¹ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 1 × 10²¹ 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: Likely

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 70B)

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 70B)

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

A100 PCIe 40 GB

Geheugen nodig

33.0 GB

Snelste

48.4 tok/s

YaRN (Llama 2 70B) bereikt een parameter telling van 70B. Dat plaatst het boven consumentenharde, in het bereik waar een kaart hiervoor wordt gekocht in plaats van ervoor te worden hergebruikt. Het aantal kaarten dat we volgen die het kunnen vasthouden: 61.

De minste hardware die werkt is A100 PCIe 40 GB, met een geheugen capaciteit van 40 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 25.5 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 48.4 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

YaRN (Llama 2 70B) 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 2-70B. 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 NousResearch.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 17.1 tokens per second. Outright de leessnelheid overschrijden. 49 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 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

De training run verbruikte ongeveer 1 × 10²¹ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Het is getraind op een corpus van ongeveer 2,457,600,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor YaRN (Llama 2 70B)

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. YaRN (Llama 2 70B), ongeveer nodig 33.0 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
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 YaRN (Llama 2 70B).
03

Kies hoe ver je het wilt comprimeren

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

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor YaRN (Llama 2 70B). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 48.4 tok/s
05

Lees de passen kolom laatst

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van YaRN (Llama 2 70B). 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 YaRN (Llama 2 70B).

Antwoorden

YaRN (Llama 2 70B) — veelgestelde vragen

YaRN (Llama 2 70B)— 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 70B)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 1 × 10²¹ 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 70B)— kan ik het draaien als het niet in mijn GPU past?

Het kan worden opgesplitst tussen de GPU-kaart en systeemgeheugen, maar het genereert op die manier pijnlijk traag. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 12.4 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

YaRN (Llama 2 70B)— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 61. Dus een tweede card is zelden het antwoord hier.

YaRN (Llama 2 70B)— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

YaRN (Llama 2 70B)— 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: 41–58 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 70B)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is A100 PCIe 40 GB, met een geheugen capaciteit van 40 GB. Het draait het model op een compressie van Q3_K_M ongeveer 33.0 GB, en produceert ongeveer 25.5 tokens per second. Het aantal kaarten dat het totaal kan draaien: 61.

YaRN (Llama 2 70B)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 48.4 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: 49.

YaRN (Llama 2 70B)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 33.0 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.

YaRN (Llama 2 70B)— 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 70B)— hoeveel parameters heeft het?

Het heeft een parameter telling van 70B. 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 70B)— 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 70B)— 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 70B)— waarvoor wordt het gebruikt?

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

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