Galactica TPS-rekenmachine

Open gewichten Meta AI 120B parameters November 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

38 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.8 tok/s

Snelste kaart

H100 NVL 94 GB

32.1 tok/s · 94 GB

Welke GPU's kunnen draaien Galactica?

Stel de invoer in, lees het antwoord

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

38 kaarten passen

Berekenen
Heeft Kwantificatie Past
32.1 tok/s

19–51 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 73.3 GB Q4_K_M Krap
29.1 tok/s

17–47 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 66.3 GB IQ4_XS Krap
29.1 tok/s

17–47 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 66.3 GB IQ4_XS Krap
28.2 tok/s

17–45 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 129.2 GB Q8_0 Comfortabel
28.2 tok/s

17–45 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 129.2 GB Q8_0 Comfortabel
27.4 tok/s

16–44 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Krap
27.4 tok/s

16–44 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Krap
27.4 tok/s

16–44 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 73.3 GB Q4_K_M Krap
26.2 tok/s

16–42 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 101.2 GB Q6_K Krap
25.1 tok/s

15–40 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 101.2 GB Q6_K Comfortabel
25.1 tok/s

15–40 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 101.2 GB Q6_K Comfortabel
22.6 tok/s

14–36 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 129.2 GB Q8_0 Comfortabel
22.6 tok/s

14–36 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 129.2 GB Q8_0 Comfortabel
21.3 tok/s

13–34 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 101.2 GB Q6_K Krap
17.7 tok/s

11–28 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 66.3 GB IQ4_XS Krap
17.7 tok/s

11–28 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 66.3 GB IQ4_XS Krap
17.7 tok/s

11–28 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 66.3 GB IQ4_XS Krap
17.7 tok/s

11–28 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 66.3 GB IQ4_XS Krap
17.7 tok/s

11–28 · lage vertrouwen

H100 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Oct 2022 66.3 GB IQ4_XS Krap
17.7 tok/s

11–28 · lage vertrouwen

H800 PCIe 80 GB NVIDIA 80 GB 2,040 GB/s Mar 2023 66.3 GB IQ4_XS Krap
16.8 tok/s

10–27 · lage vertrouwen

A100 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Jun 2021 66.3 GB IQ4_XS Krap
16.8 tok/s

10–27 · lage vertrouwen

A800 PCIe 80 GB NVIDIA 80 GB 1,940 GB/s Nov 2022 66.3 GB IQ4_XS Krap
16.5 tok/s

10–26 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 129.2 GB Q8_0 Comfortabel
14.7 tok/s

9–23 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 129.2 GB Q8_0 Comfortabel
14.7 tok/s

9–23 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 129.2 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
Meta AI
Organisatietype
Industry
Land
United States of America
Gepubliceerd
16 November 2022
Auteurs
Ross Taylor, Marcin Kardas, Guillem Cucurull, Thomas Scialom, Anthony Hartshorn, Elvis Saravia, Andrew Poulton, Viktor Kerkez, Robert Stojnic

Wat het doet

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

Domein
Language, Biology
Taak
Language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation
Aanpak
Self-supervised learning

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
120B

"The largest 120B model we train runs on a single NVIDIA A100 node"

Training gegevens
106,000,000,000 tokens

"Total dataset size = 106 billion tokens"

Epochs
4
Batchgrootte
2,000,000

Table 1: batch size 2M, warmup 1.1B (out of 450B 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
3.2 × 10²³ FLOP

Authors state the model is trained on 450b tokens. Using 6 FLOP/token/parameter, this is 6*120b*450b = 3.24e23

Hoe het werd opgericht
Operation counting

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 SXM4 80 GB
Gebruikte chips
128
Stroomverbruik
102.4 kW
Rekenkosten
$591,077

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

cc-by-nc (non-commercial): https://huggingface.co/facebook/galactica-120b repo but no training code: https://github.com/paperswithcode/galai/blob/main/README.md

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.

Basis model
Yes
Waarschijnlijk boven de 10²³ FLOP
Yes
Waarom het wordt gevolgd
SOTA improvement

"We outperform existing models on a range of scientific tasks. On technical knowledge probes such as LaTeX equations, Galactica outperforms the latest GPT-3 by 68.2% versus 49.0%. Galactica also performs well on reasoning, outperforming Chinchilla on mathematical MMLU by 41.3% to 35.7%, and PaLM 540B on MATH" "On reasoning tasks, Galactica beats existing language models on benchmarks such as MMLU and MATH (Hendrycks et al., 2020, 2021). With our reasoning token approach, we outperform Chinchill…

Record vertrouwen
Likely
Citaties
1,017

Bronnen

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

Referentie
Galactica: A Large Language Model for Science
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien Galactica

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..

  1. 01 H100 NVL 94 GB 94 GB · 3,940 GB/s · Q4_K_M 32.1 tok/s
  2. 02 H800 SXM5 80 GB · 3,360 GB/s · IQ4_XS 29.1 tok/s
  3. 03 H100 SXM5 80 GB 80 GB · 3,360 GB/s · IQ4_XS 29.1 tok/s
  4. 04 B300 288 GB · 8,000 GB/s · Q8_0 28.2 tok/s
  5. 05 B200 180 GB · 8,000 GB/s · Q8_0 28.2 tok/s
  6. 06 H100 PCIe 96 GB 96 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  7. 07 H100 SXM5 94 GB 94 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  8. 08 H100 SXM5 96 GB 96 GB · 3,360 GB/s · Q4_K_M 27.4 tok/s
  9. 09 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q6_K 26.2 tok/s
  10. 10 H200 NVL 141 GB · 4,890 GB/s · Q6_K 25.1 tok/s

De kleinste GPU's die nog steeds draaien Galactica

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 RTX PRO 5000 72 GB Blackwell 72 GB · Heeft 59.3 GB · Q3_K_M · Krap 12.8 tok/s
  2. 02 H100 CNX 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 17.7 tok/s
  3. 03 H800 PCIe 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 17.7 tok/s
  4. 04 H800 SXM5 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 29.1 tok/s
  5. 05 A800 PCIe 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 16.8 tok/s
  6. 06 H100 PCIe 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 17.7 tok/s
  7. 07 H100 SXM5 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 29.1 tok/s
  8. 08 A800 SXM4 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 17.7 tok/s
  9. 09 A100 PCIe 80 GB 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 16.8 tok/s
  10. 10 A100X 80 GB · Heeft 66.3 GB · IQ4_XS · Krap 17.7 tok/s

Wat de cijfers betekenen

Hardwarevereisten in de praktijk

Minimum kaart

RTX PRO 5000 72 GB Blackwell

Geheugen nodig

59.3 GB

Snelste

32.1 tok/s

Galactica bereikt een parameter telling van 120B. 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: 38.

Het toegangspunt is RTX PRO 5000 72 GB Blackwell, met een geheugen capaciteit van 72 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 12.8 tokens per seconde

De snelste we er voor berekenen is H100 NVL 94 GB, genereren ongeveer 32.1 tokens per seconde op basis van een geheugendoorbandsnelheid van 3,940 GB/s.

Waar het vandaan kwam

Galactica werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens November 2022. De publicerende organisatie is geclassificeerd als industry.

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

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 helft van de kaarten die het vasthouden, beheren meer dan 17.7 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 36 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

Zonder de aandachtlay-out op record, is de geheugen kolom een benadering. Het is dicht genoeg om hardware te kiezen, en het minst betrouwbaar bij lange context.

Wat erin ging zitten om het te bouwen

De training run verbruikte ongeveer 3.2 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 80 GB. 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 106,000,000,000 tekstokens

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

Stap voor stap

Hoe een GPU te kiezen voor Galactica

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

  1. 01

    Controleer wat het nodig heeft voordat iets anders.

    Elke kaart hier is gecontroleerd op Galactica, ongeveer nodig 59.3 GB bij een compressie van Q3_K_M. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    Stel de context in op wat je daadwerkelijk gaat gebruiken. De cache groeit met het gesprek, en het is de gebruikelijke reden dat een CARD die in eerste instantie prima leek, niet meer past. Galactica.

  3. 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.

  4. 04

    Sorteer op snelheid

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor Galactica. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is H100 NVL 94 GB, bij 32.1 tok/s

  5. 05

    Kijk naar de speling, niet alleen naar de pasvorm.

    De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van Galactica. 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.

  6. 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 Galactica.

Antwoorden

Galactica — veelgestelde vragen

01

Galactica— 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 15.7 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

02

Galactica— 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: 38. Dus een tweede card is zelden het antwoord hier.

03

Galactica— 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: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

04

Galactica— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 19–51 tok/s op H100 NVL 94 GB. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

05

Galactica— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is RTX PRO 5000 72 GB Blackwell, met een geheugen capaciteit van 72 GB. Het draait het model op een compressie van Q3_K_M ongeveer 59.3 GB, en produceert ongeveer 12.8 tokens per second. Het aantal kaarten dat het totaal kan draaien: 38.

06

Galactica— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is H100 NVL 94 GB, ongeveer 32.1 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: 36.

07

Galactica— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 59.3 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.

08

Galactica— 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.

09

Galactica— hoeveel parameters heeft het?

Het heeft een parameter telling van 120B. "The largest 120B model we train runs on a single NVIDIA A100 node". 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.

10

Galactica— wie heeft het gemaakt?

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

11

Galactica— wanneer is het uitgebracht?

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

12

Galactica— waarvoor wordt het gebruikt?

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

13

Galactica— 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.

14

Galactica— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 3.2 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 80 GB. 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.

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