OPT-IML (175B) TPS-rekenmachine

Open gewichten Meta AI 175B parameters December 2022

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

24 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

H100 PCIe 96 GB

96 GB · Q3_K_M · 21.9 tok/s

Snelste kaart

Radeon Instinct MI300

28.6 tok/s · 128 GB

Welke GPU's kunnen draaien OPT-IML (175B)?

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

24 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
28.6 tok/s 17–46 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	106.6 GB	Q4_K_M	Krap
28.1 tok/s 17–45 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	147.3 GB	Q6_K	Krap
27.3 tok/s 16–44 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	106.6 GB	Q4_K_M	Krap
27.3 tok/s 16–44 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	106.6 GB	Q4_K_M	Krap
23.2 tok/s 14–37 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	106.6 GB	Q4_K_M	Krap
21.9 tok/s 13–35 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	86.2 GB	Q3_K_M	Krap
21.9 tok/s 13–35 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	86.2 GB	Q3_K_M	Krap
19.4 tok/s 12–31 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	188.1 GB	Q8_0	Comfortabel
15.5 tok/s 9–25 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	188.1 GB	Q8_0	Comfortabel
15.5 tok/s 9–25 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	188.1 GB	Q8_0	Comfortabel
14.6 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	147.3 GB	Q6_K	Krap
14.6 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	147.3 GB	Q6_K	Krap
14.3 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	106.6 GB	Q4_K_M	Krap
14.3 tok/s 9–23 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	106.6 GB	Q4_K_M	Krap
11.9 tok/s 7–19 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	106.6 GB	Q4_K_M	Krap
11.7 tok/s 7–19 · lage vertrouwen	RTX PRO 6000 Blackwell NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Krap
11.7 tok/s 7–19 · lage vertrouwen	RTX PRO 6000 Blackwell Max-Q NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Krap
11.7 tok/s 7–19 · lage vertrouwen	RTX PRO 6000 Blackwell Server NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Krap
11.7 tok/s 7–19 · lage vertrouwen	RTX PRO 6000D Blackwell Max-Q NVIDIA	96 GB	1,790 GB/s	Mar 2025	86.2 GB	Q3_K_M	Krap
11.7 tok/s 7–19 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	106.6 GB	Q4_K_M	Krap
11.3 tok/s 7–18 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	188.1 GB	Q8_0	Comfortabel
10.4 tok/s 6–17 · lage vertrouwen	Data Center GPU Max 1350 Intel	96 GB	2,460 GB/s	Jan 2023	86.2 GB	Q3_K_M	Krap
1.5 tok/s 1–2 · lage vertrouwen	GB10 NVIDIA	128 GB	273 GB/s	Oct 2025	106.6 GB	Q4_K_M	Krap
1.5 tok/s 1–2 · lage vertrouwen	Jetson T5000 NVIDIA	128 GB	273 GB/s	Aug 2025	106.6 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: Meta AI
Organisatietype: Industry
Land: United States of America
Gepubliceerd: 22 December 2022
Auteurs: Srinivasan Iyer, Xi Victoria Lin, Ramakanth Pasunuru, Todor Mihaylov, Daniel Simig, Ping Yu, Kurt Shuster, Tianlu Wang, Qing Liu, Punit Singh Koura, Xian Li, Brian O'Horo, Gabriel Pereyra, Jeff Wang, Christopher Dewan, Asli Celikyilmaz, Luke Zettlemoyer, Ves Stoyanov

Wat het doet

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

Domein: Language
Taak: Language modeling
Basis model: OPT-175B

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: 175B
Training gegevens: 2,000,000,000 tokens
Batchgrootte: 125

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: 4.3 × 10²³ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 2.1 × 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
Gebruikte chips: 128
Chip-uren: 9,216
Kloktijd: 72 hours
Stroomverbruik: 102.3 kW

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 (non-commercial)
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: Likely
Citaties: 304

Bronnen

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

Referentie: OPT-IML: Scaling Language Model Instruction Meta Learning through the Lens of Generalization
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien OPT-IML (175B)

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 OPT-IML (175B)

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 nodig is om dit model te draaien

Minimum kaart

H100 PCIe 96 GB

Geheugen nodig

86.2 GB

Snelste

28.6 tok/s

OPT-IML (175B) bereikt een parameter telling van 175B. 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: 24.

De kleinste kaart die het vasthoudt is H100 PCIe 96 GB, met een geheugen capaciteit van 96 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 21.9 tokens per seconde

De snelste we er voor berekenen is Radeon Instinct MI300, genereren ongeveer 28.6 tokens per seconde op basis van een geheugendoorbandsnelheid van 6,550 GB/s.

Waar het vandaan kwam

OPT-IML (175B) werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens December 2022. Het komt uit een organisatie gecategoriseerd als industry.

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

Het bouwt voort op OPT-175B. 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.

Begrijpen van de snelheden

De mediaanresultaat is rond 14.5 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 22 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.

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

De training run verbruikte ongeveer 4.3 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

De trainingsset liep naar ongeveer 2,000,000,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor OPT-IML (175B)

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.

De tabel vermeldt elke kaart die in staat is om te bevatten. OPT-IML (175B), ongeveer nodig 86.2 GB bij een compressie van Q3_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
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 OPT-IML (175B).
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 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

Sorteer op snelheid

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor OPT-IML (175B). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is Radeon Instinct MI300, bij 28.6 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 OPT-IML (175B). 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 OPT-IML (175B).

Antwoorden

OPT-IML (175B) — veelgestelde vragen

OPT-IML (175B)— 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.

OPT-IML (175B)— hoeveel parameters heeft het?

Het heeft een parameter telling van 175B. 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.

OPT-IML (175B)— wie heeft het gemaakt?

Het werd gepubliceerd door Meta AI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.

OPT-IML (175B)— wanneer is het uitgebracht?

Het werd gepubliceerd in December 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

OPT-IML (175B)— waarvoor wordt het gebruikt?

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

OPT-IML (175B)— 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.

OPT-IML (175B)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 4.3 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100. 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.

OPT-IML (175B)— kan ik het draaien als het niet in mijn GPU past?

Alleen door af te laden, wat meestal een valse economie is: het deel dat in systeemgeheugen wordt vastgehouden, houdt het hele ding tegen. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 22.0 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

OPT-IML (175B)— Zouden twee GPU's het sneller draaien?

Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 24. Dus een tweede card is zelden het antwoord hier.

OPT-IML (175B)— 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.

OPT-IML (175B)— 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: 17–46 tok/s op Radeon Instinct MI300. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

OPT-IML (175B)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is H100 PCIe 96 GB, met een geheugen capaciteit van 96 GB. Het draait het model op een compressie van Q3_K_M ongeveer 86.2 GB, en produceert ongeveer 21.9 tokens per second. Het aantal kaarten dat het totaal kan draaien: 24.

OPT-IML (175B)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is Radeon Instinct MI300, ongeveer 28.6 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: 22.

OPT-IML (175B)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 86.2 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.

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