BLOOM-176B TPS-rekenmachine
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
818 kaarten die we hebben specificaties voor
Kleinste kaart die past
Radeon Instinct MI250
128 GB · Q4_K_M · 14.2 tok/s
Snelste kaart
Radeon Instinct MI300
28.3 tok/s · 128 GB
Welke GPU's kunnen draaien BLOOM-176B?
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.
17 kaarten passen
Berekenen| Heeft | Kwantificatie | Past | |||||
|---|---|---|---|---|---|---|---|
|
28.3
tok/s
17–45 · lage vertrouwen |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 107.3 GB | Q4_K_M | Krap |
|
27.9
tok/s
17–45 · lage vertrouwen |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 148.4 GB | Q6_K | Krap |
|
27.1
tok/s
16–43 · lage vertrouwen |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 107.3 GB | Q4_K_M | Krap |
|
27.1
tok/s
16–43 · lage vertrouwen |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 107.3 GB | Q4_K_M | Krap |
|
23.0
tok/s
14–37 · lage vertrouwen |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 107.3 GB | Q4_K_M | Krap |
|
19.2
tok/s
12–31 · lage vertrouwen |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 189.4 GB | Q8_0 | Comfortabel |
|
15.4
tok/s
9–25 · lage vertrouwen |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 189.4 GB | Q8_0 | Comfortabel |
|
15.4
tok/s
9–25 · lage vertrouwen |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 189.4 GB | Q8_0 | Comfortabel |
|
14.5
tok/s
9–23 · lage vertrouwen |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 148.4 GB | Q6_K | Krap |
|
14.5
tok/s
9–23 · lage vertrouwen |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 148.4 GB | Q6_K | Krap |
|
14.2
tok/s
9–23 · lage vertrouwen |
Radeon Instinct MI250 AMD | 128 GB | 3,280 GB/s | Nov 2021 | 107.3 GB | Q4_K_M | Krap |
|
14.2
tok/s
9–23 · lage vertrouwen |
Radeon Instinct MI250X AMD | 128 GB | 3,280 GB/s | Nov 2021 | 107.3 GB | Q4_K_M | Krap |
|
11.8
tok/s
7–19 · lage vertrouwen |
Data Center GPU Max 1550 Intel | 128 GB | 3,280 GB/s | Jan 2023 | 107.3 GB | Q4_K_M | Krap |
|
11.6
tok/s
7–19 · lage vertrouwen |
Data Center GPU Max Subsystem Intel | 128 GB | 3,210 GB/s | Jan 2023 | 107.3 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 | 189.4 GB | Q8_0 | Comfortabel |
|
1.5
tok/s
1–2 · lage vertrouwen |
GB10 NVIDIA | 128 GB | 273 GB/s | Oct 2025 | 107.3 GB | Q4_K_M | Krap |
|
1.5
tok/s
1–2 · lage vertrouwen |
Jetson T5000 NVIDIA | 128 GB | 273 GB/s | Aug 2025 | 107.3 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
- Hugging Face,BigScience
- Organisatietype
- Industry,Research collective
- Land
- United States of America, France
- Gepubliceerd
- 11 July 2022
- Auteurs
- Margaret Mitchell, Giada Pistilli, Yacine Jernite, Ezinwanne Ozoani, Marissa Gerchick, Nazneen Rajani, Sasha Luccioni, Irene Solaiman, Maraim Masoud, Somaieh Nikpoor, Carlos Muñoz Ferrandis, Stas Bekman, Christopher Akiki, Danish Contractor, David Lansky, Angelina McMillan-Major, Tristan Thrush, Suzana Ilić, Gérard Dupont, Shayne Longpre, Manan Dey, Stella Biderman, Douwe Kiela, Emi Baylor, Teven …
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling, Translation, Code generation
- Aanpak
- Self-supervised learning
- Numerieke indeling
- BF16
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
- 176.2B
- Training gegevens
- 379,000,000,000 tokens
- Epochs
- 1
- Batchgrootte
- 4,194,304
See "Technical Specifications" on Hugging Face: https://huggingface.co/bigscience/bloom
Table 3.5 https://arxiv.org/pdf/2211.05100 366B (pretrain) + 13B (finetune) = 379B tokens total
Table 3. 2048*2048
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
- 3.7 × 10²³ FLOP
- Hoe het werd opgericht
- Hardware
https://bigscience.huggingface.co/blog/bloom Blog post says 117 days. 384 A100 GPUs * 314 TFLOPS throughput per GPU * 117 days * 0.3 (utilization assumption) = 3.65664e23 https://www.wolframalpha.com/input?i=384+*+314+TFLOPS+*+117+days+*+0.3
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
- 384
- Chip-uren
- 1,078,272
- Kloktijd
- 2,808 hours (117 days)
- Hardwaregebruik
- HFU 50.0%
- Stroomverbruik
- 308.0 kW
- Rekenkosten
- $995,819
117 days * 24 hours/day
"We were able to achieve 156 TFLOPs in our fastest configuration with A100 GPUs, attaining our objective of half of the theoretical peak performance of 312 TFLOPs (in float32 or bfloat16)." HFU = 156/312 = 0.5
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
responsible use restrictions: https://bigscience.huggingface.co/blog/the-bigscience-rail-license
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
- Historical significance,Highly cited
- Record vertrouwen
- Confident
- Citaties
- 2,917
Was the largest open-source model at the time. 1000+ researchers, many from important orgs such as Microsoft and NVIDIA. https://huggingface.co/bigscience/bloom
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- BLOOM: A 176B-Parameter Open-Access Multilingual Language Model
- Laatst bijgewerkt
- 25 May 2026
De extremen
De tien snelste GPU's die draaien BLOOM-176B
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..
- 01 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q4_K_M 28.3 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q6_K 27.9 tok/s
- 03 H200 NVL 141 GB · 4,890 GB/s · Q4_K_M 27.1 tok/s
- 04 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q4_K_M 27.1 tok/s
- 05 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q4_K_M 23.0 tok/s
- 06 B300 288 GB · 8,000 GB/s · Q8_0 19.2 tok/s
- 07 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 15.4 tok/s
- 08 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 15.4 tok/s
- 09 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q6_K 14.5 tok/s
- 10 Radeon Instinct MI308X 192 GB · 5,325 GB/s · Q6_K 14.5 tok/s
De kleinste GPU's die nog steeds draaien BLOOM-176B
De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..
- 01 GB10 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 1.5 tok/s
- 02 Jetson T5000 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 1.5 tok/s
- 03 Radeon Instinct MI300A 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 23.0 tok/s
- 04 Data Center GPU Max 1550 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 11.8 tok/s
- 05 Data Center GPU Max Subsystem 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 11.6 tok/s
- 06 Radeon Instinct MI300 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 28.3 tok/s
- 07 Radeon Instinct MI250 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 14.2 tok/s
- 08 Radeon Instinct MI250X 128 GB · Heeft 107.3 GB · Q4_K_M · Krap 14.2 tok/s
- 09 H200 NVL 141 GB · Heeft 107.3 GB · Q4_K_M · Krap 27.1 tok/s
- 10 H200 SXM 141 GB 141 GB · Heeft 107.3 GB · Q4_K_M · Krap 27.1 tok/s
Wat de cijfers betekenen
Hardwarevereisten in de praktijk
Minimum kaart
Radeon Instinct MI250
Geheugen nodig
107.3 GB
Snelste
28.3 tok/s
BLOOM-176B bereikt een parameter telling van 176.2B. 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: 17.
Het toegangspunt is Radeon Instinct MI250, met een geheugen capaciteit van 128 GB, het draaien ervan met een compressie van Q4_K_M en produceren rond 14.2 tokens per seconde
De snelste we er voor berekenen is Radeon Instinct MI300, genereren ongeveer 28.3 tokens per seconde op basis van een geheugendoorbandsnelheid van 6,550 GB/s.
Over dit model
BLOOM-176B werd gepubliceerd door Hugging Face,BigScience, in het land geregistreerd als United States of America, tijdens July 2022. De publicerende organisatie is geclassificeerd als industry,Research collective.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling, Translation, Code 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.
Hoe snel het draait, en waarom
De helft van de kaarten die het vasthouden, beheren meer dan 14.5 tokens per second. Outright de leessnelheid overschrijden. 15 van hen
Het is een dicht model, dus elke parameter wordt gelezen voor elk token dat wordt geproduceerd. Dat maakt de snelheid bijna precies het geheugenbandbreedte bijhouden — een kaart met twee keer de bandbreedte genereert ongeveer twee keer zo snel.
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
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.7 × 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 379,000,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: historical significance,Highly cited.
Stap voor stap
Hoe een GPU te kiezen voor BLOOM-176B
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 BLOOM-176B, ongeveer nodig 107.3 GB bij een compressie van Q4_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
-
02
Stem de context af op uw werkelijke gebruik
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. BLOOM-176B.
-
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 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
Sorteer op snelheid
Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor BLOOM-176B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is Radeon Instinct MI300, bij 28.3 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 BLOOM-176B. 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
Elke kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast BLOOM-176B.
Antwoorden
BLOOM-176B — veelgestelde vragen
BLOOM-176B— 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: 17–45 tok/s op Radeon Instinct MI300. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.
BLOOM-176B— Welke GPU heb ik nodig om het te draaien?
De kleinste kaart in onze catalogus die het vasthoudt is Radeon Instinct MI250, met een geheugen capaciteit van 128 GB. Het draait het model op een compressie van Q4_K_M ongeveer 107.3 GB, en produceert ongeveer 14.2 tokens per second. Het aantal kaarten dat het totaal kan draaien: 17.
BLOOM-176B— hoe snel is het op een GPU?
Het hangt af van de kaart. De snelste die we berekenen is Radeon Instinct MI300, ongeveer 28.3 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: 15.
BLOOM-176B— hoeveel VRAM heeft het nodig?
Het heeft ongeveer 107.3 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.
BLOOM-176B— 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.
BLOOM-176B— hoeveel parameters heeft het?
Het heeft een parameter telling van 176.2B. See "Technical Specifications" on Hugging Face: https://huggingface.co/bigscience/bloom. 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.
BLOOM-176B— wie heeft het gemaakt?
Het werd gepubliceerd door Hugging Face,BigScience, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Research collective.
BLOOM-176B— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
BLOOM-176B— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling, Translation, Code generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
BLOOM-176B— 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.
BLOOM-176B— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.7 × 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.
BLOOM-176B— 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 20.9 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.
BLOOM-176B— Zouden twee GPU's het sneller draaien?
Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 17. Dus een tweede card is zelden het antwoord hier.
BLOOM-176B— 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.
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.