Qwen-14B TPS-rekenmachine

Open gewichten Alibaba 14B parameters September 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 · IQ4_XS · 17.0 tok/s

Snelste kaart

B200

242 tok/s · 180 GB

Welke GPU's kunnen draaien Qwen-14B?

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
242 tok/s 206–290	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	21.1 GB	Q8_0	Comfortabel
242 tok/s 206–290	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	21.1 GB	Q8_0	Comfortabel
193 tok/s 116–309 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	21.1 GB	Q8_0	Comfortabel
193 tok/s 116–309 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	21.1 GB	Q8_0	Comfortabel
155 tok/s 93–247 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	21.1 GB	Q8_0	Comfortabel
148 tok/s 126–178	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	21.1 GB	Q8_0	Comfortabel
148 tok/s 126–178	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	21.1 GB	Q8_0	Comfortabel
142 tok/s 85–227 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	21.1 GB	Q8_0	Comfortabel
126 tok/s 75–201 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	21.1 GB	Q8_0	Comfortabel
126 tok/s 75–201 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	21.1 GB	Q8_0	Comfortabel
126 tok/s 75–201 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	21.1 GB	Q8_0	Comfortabel
119 tok/s 101–143	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	21.1 GB	Q8_0	Comfortabel
102 tok/s 86–122	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	21.1 GB	Q8_0	Comfortabel
102 tok/s 86–122	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	21.1 GB	Q8_0	Comfortabel
102 tok/s 86–122	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	21.1 GB	Q8_0	Comfortabel
102 tok/s 86–122	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	21.1 GB	Q8_0	Comfortabel
102 tok/s 86–122	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	21.1 GB	Q8_0	Comfortabel
83.9 tok/s 71–101	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.7 GB	IQ4_XS	Krap
77.4 tok/s 46–124 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	21.1 GB	Q8_0	Comfortabel
77.4 tok/s 46–124 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	21.1 GB	Q8_0	Comfortabel
71.3 tok/s 61–86	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.7 GB	IQ4_XS	Krap
66.6 tok/s 57–80	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	13.7 GB	IQ4_XS	Krap
66.6 tok/s 57–80	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.7 GB	IQ4_XS	Krap
66.6 tok/s 57–80	Tesla V100 SXM2 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.7 GB	IQ4_XS	Krap
66.6 tok/s 57–80	GeForce RTX 5070 Ti NVIDIA	16 GB	896 GB/s	Feb 2025	13.7 GB	IQ4_XS	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: Alibaba
Organisatietype: Industry
Land: China
Gepubliceerd: 28 September 2023
Auteurs: Jinze Bai, Shuai Bai, Yunfei Chu, Zeyu Cui, Kai Dang, Xiaodong Deng, Yang Fan, Wenbin Ge, Yu Han, Fei Huang, Binyuan Hui, Luo Ji, Mei Li, Junyang Lin, Runji Lin, Dayiheng Liu, Gao Liu, Chengqiang Lu, Keming Lu, Jianxin Ma, Rui Men, Xingzhang Ren, Xuancheng Ren, Chuanqi Tan, Sinan Tan, Jianhong Tu, Peng Wang, Shijie Wang, Wei Wang, Shengguang Wu, Benfeng Xu, Jin Xu, An Yang, Hao Yang, Jian Yang, Sh…

Wat het doet

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

Domein: Language
Taak: Language modeling/generation

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: 14B
Training gegevens: 3,000,000,000,000 tokens
Epochs: 1
Batchgrootte: 4,000,000

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: 2.5 × 10²³ FLOP
Hoe het werd opgericht: Operation counting

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: Unreleased

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.

Waarschijnlijk boven de 10²³ FLOP: Yes
Record vertrouwen: Confident
Citaties: 3,775

Bronnen

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

Referentie: Qwen Technical Report
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien Qwen-14B

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 Qwen-14B

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

13.7 GB

Snelste

242 tok/s

Qwen-14B bereikt een parameter telling van 14B. 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 IQ4_XS en produceren rond 17.0 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 242 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

Qwen-14B werd gepubliceerd door Alibaba, in het land geregistreerd als China, tijdens September 2023. De publicerende organisatie is geclassificeerd als industry.

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

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.

Wat bepaalt de snelheid

De helft van de kaarten die het vasthouden, beheren meer dan 28.5 tokens per seconde. 220 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.

Omdat de architectuur is vastgelegd, is de geheugen kolom afgeleid in plaats van geschat.

Training en herkomst

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.5 × 10²³ 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 3,000,000,000,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor Qwen-14B

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.

Elke kaart hier is gecontroleerd op Qwen-14B, ongeveer nodig 13.7 GB bij een compressie van IQ4_XS. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.
02

Stem de context af op uw werkelijke gebruik

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 Qwen-14B.
03

Kies hoe ver je het wilt comprimeren

Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., bereiken van een compressie van IQ4_XS 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

Sorteer op snelheid

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Qwen-14B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 242 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 Qwen-14B. 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

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 Qwen-14B.

Antwoorden

Qwen-14B — veelgestelde vragen

Qwen-14B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 13.7 GB bij een compressie van IQ4_XS, 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.

Qwen-14B— 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 IQ4_XS, ongeveer 13.7 GB en genereren ongeveer 83.9 tokens per second. De pasvorm is krap.

Qwen-14B— 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 21.1 GB en genereren ongeveer 40.5 tokens per second. De pasvorm is krap.

Qwen-14B— 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.

Qwen-14B— hoeveel parameters heeft het?

Het heeft een parameter telling van 14B. 14B. 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.

Qwen-14B— wie heeft het gemaakt?

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

Qwen-14B— wanneer is het uitgebracht?

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

Qwen-14B— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van 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.

Qwen-14B— waar kan ik het downloaden?

De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

Qwen-14B— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.5 × 10²³ 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.

Qwen-14B— 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 3.7 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Qwen-14B— 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: 241. Dus een tweede card is zelden het antwoord hier.

Qwen-14B— 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: 3. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

Qwen-14B— 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: 206–290 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Qwen-14B— 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 IQ4_XS ongeveer 13.7 GB, en produceert ongeveer 17.0 tokens per second. Het aantal kaarten dat het totaal kan draaien: 241.

Qwen-14B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 242 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.

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