OPT-66B TPS-rekenmachine

Open gewichten Meta AI 66B parameters June 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

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 · 27.0 tok/s

Snelste kaart

B200

51.3 tok/s · 180 GB

Welke GPU's kunnen draaien OPT-66B?

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.

61 kaarten passen

Berekenen
Heeft Kwantificatie Past
51.3 tok/s

31–82 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 71.4 GB Q8_0 Comfortabel
51.3 tok/s

31–82 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 71.4 GB Q8_0 Comfortabel
41.0 tok/s

25–66 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 71.4 GB Q8_0 Comfortabel
41.0 tok/s

25–66 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 71.4 GB Q8_0 Comfortabel
32.8 tok/s

20–52 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 71.4 GB Q8_0 Comfortabel
31.4 tok/s

19–50 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 71.4 GB Q8_0 Comfortabel
31.4 tok/s

19–50 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 71.4 GB Q8_0 Comfortabel
30.0 tok/s

18–48 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 71.4 GB Q8_0 Comfortabel
27.7 tok/s

17–44 · lage vertrouwen

GRID A100B NVIDIA 48 GB 1,870 GB/s May 2020 40.6 GB Q4_K_M Krap
27.0 tok/s

16–43 · lage vertrouwen

A100 PCIe 40 GB NVIDIA 40 GB 1,560 GB/s Jun 2020 32.9 GB Q3_K_M Krap
27.0 tok/s

16–43 · lage vertrouwen

A100 SXM4 40 GB NVIDIA 40 GB 1,560 GB/s May 2020 32.9 GB Q3_K_M Krap
27.0 tok/s

16–43 · lage vertrouwen

A800 PCIe 40 GB NVIDIA 40 GB 1,560 GB/s Nov 2022 32.9 GB Q3_K_M Krap
26.7 tok/s

16–43 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 71.4 GB Q8_0 Comfortabel
26.7 tok/s

16–43 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 71.4 GB Q8_0 Comfortabel
26.7 tok/s

16–43 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 71.4 GB Q8_0 Comfortabel
25.3 tok/s

15–40 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 71.4 GB Q8_0 Krap
21.6 tok/s

13–35 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 71.4 GB Q8_0 Comfortabel
21.6 tok/s

13–35 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 71.4 GB Q8_0 Krap
21.6 tok/s

13–35 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 71.4 GB Q8_0 Krap
21.6 tok/s

13–35 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 71.4 GB Q8_0 Comfortabel
21.6 tok/s

13–35 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 71.4 GB Q8_0 Krap
19.9 tok/s

12–32 · lage vertrouwen

RTX PRO 5000 Blackwell NVIDIA 48 GB 1,340 GB/s Mar 2025 40.6 GB Q4_K_M Krap
18.8 tok/s

11–30 · lage vertrouwen

H100 SXM5 64 GB NVIDIA 64 GB 2,020 GB/s Mar 2023 56.0 GB Q6_K Krap
16.4 tok/s

10–26 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 71.4 GB Q8_0 Comfortabel
16.4 tok/s

10–26 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 71.4 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
21 June 2022
Auteurs
Susan Zhang∗ , Stephen Roller∗ , Naman Goyal∗ , Mikel Artetxe, Moya Chen, Shuohui Chen, Christopher Dewan, Mona Diab, Xian Li, Xi Victoria Lin, Todor Mihaylov, Myle Ott† , Sam Shleifer† , Kurt Shuster, Daniel Simig, Punit Singh Koura, Anjali Sridhar, Tianlu Wang, Luke Zettlemoyer

Wat het doet

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

Domein
Language
Taak
Language modeling, Chat, Language modeling/generation, Question answering

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
66B
Training gegevens
180,000,000,000 tokens

"Our final corpus contains roughly 180B tokens."

Epochs
1.67
Batchgrootte
2,000,000

Table 1

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
1.1 × 10²³ FLOP

OPT-66B was trained for 140k steps, using a batch size of 2M tokens (see the OPT baselines logbook and Table 1 in Zhang et al. (2022), respectively), so training took 140e3 ∗ 2e6 ∗ 66e9 ∗ 6 = 1.1e23 FLOP

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

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
Open source

non-commercial for weights: https://ai.meta.com/blog/democratizing-access-to-large-scale-language-models-with-opt-175b/ training code (MIT) https://github.com/facebookresearch/metaseq/blob/main/docs/training.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.

Waarschijnlijk boven de 10²³ FLOP
Yes
Record vertrouwen
Confident
Citaties
4,716
Benchmarkgegevens
OPT-66B

Bronnen

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

Referentie
OPT: Open Pre-trained Transformer Language Models
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien OPT-66B

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 B300 288 GB · 8,000 GB/s · Q8_0 51.3 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 51.3 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 41.0 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 41.0 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 32.8 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 31.4 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 31.4 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 30.0 tok/s
  9. 09 GRID A100B 48 GB · 1,870 GB/s · Q4_K_M 27.7 tok/s
  10. 10 A800 PCIe 40 GB 40 GB · 1,560 GB/s · Q3_K_M 27.0 tok/s

De kleinste GPU's die nog steeds draaien OPT-66B

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

  1. 01 A800 PCIe 40 GB 40 GB · Heeft 32.9 GB · Q3_K_M · Krap 27.0 tok/s
  2. 02 A100 PCIe 40 GB 40 GB · Heeft 32.9 GB · Q3_K_M · Krap 27.0 tok/s
  3. 03 A100 SXM4 40 GB 40 GB · Heeft 32.9 GB · Q3_K_M · Krap 27.0 tok/s
  4. 04 Radeon PRO W7900D 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 10.0 tok/s
  5. 05 RTX PRO 5000 Blackwell 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 19.9 tok/s
  6. 06 RTX 5880 Ada Generation 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 12.8 tok/s
  7. 07 L20 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 12.8 tok/s
  8. 08 Radeon PRO W7800 48 GB 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 10.0 tok/s
  9. 09 Radeon PRO W7900 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 10.0 tok/s
  10. 10 Data Center GPU Max 1100 48 GB · Heeft 40.6 GB · Q4_K_M · Krap 11.8 tok/s

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

A100 PCIe 40 GB

Geheugen nodig

32.9 GB

Snelste

51.3 tok/s

OPT-66B bereikt een parameter telling van 66B. 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.

Aan de onderkant wordt het afgehandeld door A100 PCIe 40 GB, met een geheugen capaciteit van 40 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 27.0 tokens per seconde

De snelste resultaten komen van B200, genereren ongeveer 51.3 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

OPT-66B werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens June 2022. 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, Chat, Language modeling/generation, Question answering.

Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.

Begrijpen van de snelheden

De helft van de kaarten die het vasthouden, beheren meer dan 13.1 tokens per second. Outright de leessnelheid overschrijden. 52 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.

Hoe het getraind werd

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.1 × 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 180,000,000,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor OPT-66B

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

    Begin vanuit de geheugen kolom

    De tabel vermeldt elke kaart die in staat is om te bevatten. OPT-66B, ongeveer nodig 32.9 GB bij een compressie van Q3_K_M. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 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 OPT-66B.

  3. 03

    Kies hoe ver je het wilt comprimeren

    Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., 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

    Vergelijk tokens per seconde, niet specificaties

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor OPT-66B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 51.3 tok/s

  5. 05

    Lees de passen kolom laatst

    Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van OPT-66B. 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

    Zie wat die kaart nog meer draait

    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 OPT-66B.

Antwoorden

OPT-66B — veelgestelde vragen

01

OPT-66B— 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.

02

OPT-66B— hoeveel parameters heeft het?

Het heeft een parameter telling van 66B. 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.

03

OPT-66B— wie heeft het gemaakt?

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

04

OPT-66B— wanneer is het uitgebracht?

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

05

OPT-66B— waarvoor wordt het gebruikt?

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

06

OPT-66B— 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.

07

OPT-66B— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 1.1 × 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.

08

OPT-66B— 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 11.8 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

09

OPT-66B— 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.

10

OPT-66B— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

11

OPT-66B— 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: 31–82 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

12

OPT-66B— 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 32.9 GB, en produceert ongeveer 27.0 tokens per second. Het aantal kaarten dat het totaal kan draaien: 61.

13

OPT-66B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 51.3 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: 52.

14

OPT-66B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 32.9 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