data2vec (language) TPS-rekenmachine

Open gewichten Meta AI 705.1M parameters January 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

818 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 52.3 tok/s

Snelste kaart

B200

4,805 tok/s · 180 GB

Welke GPU's kunnen draaien data2vec (language)?

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.

818 kaarten passen

Berekenen
Heeft Kwantificatie Past
4,805 tok/s

2,883–7,688 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.5 GB Q8_0 Comfortabel
4,805 tok/s

2,883–7,688 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.5 GB Q8_0 Comfortabel
3,837 tok/s

2,302–6,139 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.5 GB Q8_0 Comfortabel
3,837 tok/s

2,302–6,139 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.5 GB Q8_0 Comfortabel
3,069 tok/s

1,841–4,910 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.5 GB Q8_0 Comfortabel
2,937 tok/s

1,762–4,699 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.5 GB Q8_0 Comfortabel
2,937 tok/s

1,762–4,699 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.5 GB Q8_0 Comfortabel
2,811 tok/s

1,687–4,498 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.5 GB Q8_0 Comfortabel
2,495 tok/s

1,497–3,992 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.5 GB Q8_0 Comfortabel
2,495 tok/s

1,497–3,992 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.5 GB Q8_0 Comfortabel
2,495 tok/s

1,497–3,992 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.5 GB Q8_0 Comfortabel
2,367 tok/s

1,420–3,786 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.5 GB Q8_0 Comfortabel
2,018 tok/s

1,211–3,229 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.5 GB Q8_0 Comfortabel
2,018 tok/s

1,211–3,229 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.5 GB Q8_0 Comfortabel
2,018 tok/s

1,211–3,229 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.5 GB Q8_0 Comfortabel
2,018 tok/s

1,211–3,229 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.5 GB Q8_0 Comfortabel
2,018 tok/s

1,211–3,229 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.5 GB Q8_0 Comfortabel
1,537 tok/s

922–2,459 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.5 GB Q8_0 Comfortabel
1,537 tok/s

922–2,459 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.5 GB Q8_0 Comfortabel
1,281 tok/s

768–2,049 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.5 GB Q8_0 Comfortabel
1,253 tok/s

752–2,005 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.5 GB Q8_0 Comfortabel
1,225 tok/s

735–1,960 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.5 GB Q8_0 Comfortabel
1,225 tok/s

735–1,960 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.5 GB Q8_0 Comfortabel
1,225 tok/s

735–1,960 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.5 GB Q8_0 Comfortabel
1,225 tok/s

735–1,960 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.5 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
20 January 2022
Auteurs
Alexei Baevski, Wei-Ning Hsu, Qiantong Xu , Arun Babu, Jiatao Gu, Michael Auli

Wat het doet

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

Domein
Language
Taak
Language modeling/generation
Aanpak
Self-supervised learning
Numerieke indeling
FP16

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
705.1M

Section 4: "We experiment with two model sizes: data2vec Base and data2vec Large, containing either L = 12 or L = 24 Trans- former blocks with H = 768 or H = 1024 hidden dimen- sion (with 4 × H feed-forward inner-dimension)"

Training gegevens
131,072,000,000 tokens

Section 5.3: "we adopt the same training setup as BERT (Devlin et al., 2019) by pre-training on the Books Corpus (Zhu et al., 2015) and English Wikipedia data over 1M updates and a batch size of 256 sequences."

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 (unrestricted)
Training code
Open source

MIT License Models and code are available at www.github.com/pytorch/fairseq/tree/master/examples/data2vec

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.

Waarom het wordt gevolgd
SOTA improvement

"Experiments on the major benchmarks of speech recognition, image classification, and natural lan guage understanding demonstrate a new state of the art or competitive performance to predominant approaches" "To our knowledge this is the first successful pre-trained NLP model which does not use discrete units (words, subwords, characters or bytes) as the training target. Instead, the model predicts a contextualized latent representation emerging from self-attention over the entire unmasked text …

Record vertrouwen
Likely
Citaties
1,021

Bronnen

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

Referentie
Data2vec: A General Framework for Self-supervised Learning in Speech, Vision and Language
Laatst bijgewerkt
11 February 2026

De extremen

De tien snelste GPU's die draaien data2vec (language)

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 4,805 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 4,805 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 3,837 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 3,837 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,069 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 2,937 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 2,937 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 2,811 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,495 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,495 tok/s

De kleinste GPU's die nog steeds draaien data2vec (language)

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

  1. 01 GeForce RTX 4010 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 57.7 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 57.7 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 76.9 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 115 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 20.5 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 60.0 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 67.5 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 60.0 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 48.4 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.5 GB · Q8_0 · Comfortabel 50.0 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.5 GB

Snelste

4,805 tok/s

data2vec (language) bereikt een parameter telling van 705.1M. 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: 818.

De kleinste kaart die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 52.3 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 4,805 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

data2vec (language) werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens January 2022. De categorie waaronder de uitgever valt is industry.

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

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 134.9 tokens per seconde. 809 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.

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

Training verbruikte een corpus van ongeveer 131,072,000,000 tekstokens

De inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor data2vec (language)

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

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van data2vec (language), ongeveer nodig 1.5 GB bij een compressie van Q8_0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor data2vec (language).

  3. 03

    Stel een kwaliteitsvloer in

    Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q8_0 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

    Rangschik op doorvoer in plaats van specificatielijst

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor data2vec (language). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 4,805 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 data2vec (language). 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

    Controleer de kaart vanaf de andere kant

    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 data2vec (language).

Antwoorden

data2vec (language) — veelgestelde vragen

01

data2vec (language)— 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. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

02

data2vec (language)— 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: 818. Dus een tweede card is zelden het antwoord hier.

03

data2vec (language)— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

04

data2vec (language)— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 2,883–7,688 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

05

data2vec (language)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB. Het draait het model op een compressie van Q8_0 ongeveer 1.5 GB, en produceert ongeveer 52.3 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

06

data2vec (language)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 4,805 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: 809.

07

data2vec (language)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.5 GB bij een compressie van Q8_0, 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

data2vec (language)— kan ik het draaien op een GPU met 8 GB?

Ja. De GPU kaart CMP 170HX 8 GB, houden 8 GB, draait het met een compressie van Q8_0, ongeveer 1.5 GB en genereren ongeveer 895 tokens per second. De fit is comfortabel.

09

data2vec (language)— kan ik het draaien op een GPU met 12 GB?

Ja. De GPU kaart GeForce RTX 3080 Ti, houden 12 GB, draait het met een compressie van Q8_0, ongeveer 1.5 GB en genereren ongeveer 548 tokens per second. De fit is comfortabel.

10

data2vec (language)— 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 Q8_0, ongeveer 1.5 GB en genereren ongeveer 679 tokens per second. De fit is comfortabel.

11

data2vec (language)— 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 1.5 GB en genereren ongeveer 805 tokens per second. De fit is comfortabel.

12

data2vec (language)— 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.

13

data2vec (language)— hoeveel parameters heeft het?

Het heeft een parameter telling van 705.1M. Section 4: "We experiment with two model sizes: data2vec Base and data2vec Large, containing either L = 12 or L = 24 Trans- former blocks with H = 768 or H = 1024 hidden dimen- sion (with 4 × H feed-forward inner-dimension)". 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.

14

data2vec (language)— wie heeft het gemaakt?

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

15

data2vec (language)— wanneer is het uitgebracht?

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

16

data2vec (language)— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

17

data2vec (language)— 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.

Bron

Originele publicatie

Laatste update geregistreerd 11 February 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