Detic TPS-rekenmachine

Open gewichten Meta AI,University of Texas at Austin 88M 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 · 419 tok/s

Snelste kaart

B200

38,503 tok/s · 180 GB

Welke GPU's kunnen draaien Detic?

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
38,503 tok/s

23,102–61,604 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Comfortabel
38,503 tok/s

23,102–61,604 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Comfortabel
30,745 tok/s

18,447–49,193 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Comfortabel
30,745 tok/s

18,447–49,193 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Comfortabel
24,589 tok/s

14,753–39,342 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
23,535 tok/s

14,121–37,656 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Comfortabel
23,535 tok/s

14,121–37,656 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Comfortabel
22,524 tok/s

13,514–36,039 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Comfortabel
19,990 tok/s

11,994–31,984 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
19,990 tok/s

11,994–31,984 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
19,990 tok/s

11,994–31,984 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
18,963 tok/s

11,378–30,340 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
16,171 tok/s

9,703–25,874 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
16,171 tok/s

9,703–25,874 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Comfortabel
16,171 tok/s

9,703–25,874 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
16,171 tok/s

9,703–25,874 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
16,171 tok/s

9,703–25,874 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
12,313 tok/s

7,388–19,701 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Comfortabel
12,313 tok/s

7,388–19,701 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Comfortabel
10,261 tok/s

6,157–16,418 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
10,042 tok/s

6,025–16,067 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
9,818 tok/s

5,891–15,709 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Comfortabel
9,818 tok/s

5,891–15,709 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Comfortabel
9,818 tok/s

5,891–15,709 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Comfortabel
9,818 tok/s

5,891–15,709 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 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,University of Texas at Austin
Organisatietype
Industry,Academia
Land
United States of America
Gepubliceerd
7 January 2022
Auteurs
Xingyi Zhou, Rohit Girdhar, Armand Joulin, Philipp Krähenbühl, Ishan Misra

Wat het doet

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

Domein
Vision
Taak
Object detection, Image classification
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
88M

from https://github.com/microsoft/Swin-Transformer Swin-B have 88M, from page 8 : 'Training our ResNet50 model takes ∼ 22 hours on 8 V100 GPUs. The large 21K Swin-B model trains in ∼ 24 hours on 32 GPUs.'

Training gegevens
tokens

14M + 1.5M + 1.2M + 100K + 100K = 16900000.0 table above section 5.1

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
2.3 × 10¹⁹ FLOP

28.26e12* 32 * 24*3600*0.3 =2.34e19 = peak flops * num gpus * num seconds * assumed utilization rate for Swin-B model from page 8 : 'Training our ResNet50 model takes ∼ 22 hours on 8 V100 GPUs. The large 21K Swin-B model trains in ∼ 24 hours on 32 GPUs.'

Hoe het werd opgericht
Hardware

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Training hardware
NVIDIA V100
Gebruikte chips
32
Chip-uren
768
Kloktijd
24 hours

from page 8 : 'Training our ResNet50 model takes ∼ 22 hours on 8 V100 GPUs. The large 21K Swin-B model trains in ∼ 24 hours on 32 GPUs.'

Stroomverbruik
19.3 kW
Rekenkosten
$191

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

Apache, models and code: https://github.com/facebookresearch/Detic

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

"On open-vocabulary COCO, our method outperforms the previous state-of-the-art OVR-CNN [ 72 ] by 5 point with the same detector and data"

Record vertrouwen
Speculative
Citaties
841

Bronnen

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

Referentie
Detecting Twenty-thousand Classes using Image-level Supervision
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien Detic

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 38,503 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 38,503 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 30,745 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 30,745 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 24,589 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 23,535 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 23,535 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 22,524 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 19,990 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 19,990 tok/s

De kleinste GPU's die nog steeds draaien Detic

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 0.8 GB · Q8_0 · Comfortabel 462 tok/s
  2. 02 RTX A400 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 462 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 616 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 924 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 164 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 481 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 541 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 481 tok/s
  9. 09 Arc A310 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 388 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 400 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

0.8 GB

Snelste

38,503 tok/s

Detic bereikt een parameter telling van 88M. 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 419 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 38,503 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

Detic werd gepubliceerd door Meta AI,University of Texas at Austin, in het land geregistreerd als United States of America, tijdens January 2022. De publicerende organisatie is geclassificeerd als industry,Academia.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van object detection, Image classification.

Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 1,081.2 tokens per seconde. 818 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.

Training en herkomst

De training run verbruikte ongeveer 2.3 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

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

Stap voor stap

Hoe een GPU te kiezen voor Detic

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 Detic, ongeveer nodig 0.8 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.

  2. 02

    Bepaal hoe lang je gesprekken duren

    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 Detic.

  3. 03

    Bepaal hoeveel compressie je accepteert

    De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., 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

    Sorteer op snelheid

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Detic. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 38,503 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 Detic. 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 Detic.

Antwoorden

Detic — veelgestelde vragen

01

Detic— 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 0.8 GB en genereren ongeveer 5,439 tokens per second. De fit is comfortabel.

02

Detic— 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 0.8 GB en genereren ongeveer 6,449 tokens per second. De fit is comfortabel.

03

Detic— 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.

04

Detic— hoeveel parameters heeft het?

Het heeft een parameter telling van 88M. from https://github.com/microsoft/Swin-Transformer Swin-B have 88M, from page 8 : 'Training our ResNet50 model takes ∼ 22 hours on 8 V100 GPUs. The large 21K Swin-B model trains in ∼ 24 hours on 32 GPUs.'. 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.

05

Detic— wie heeft het gemaakt?

Het werd gepubliceerd door Meta AI,University of Texas at Austin, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.

06

Detic— 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.

07

Detic— waarvoor wordt het gebruikt?

Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van object detection, Image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

08

Detic— 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.

09

Detic— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.3 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. 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.

10

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

11

Detic— 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: 818. Dus een tweede card is zelden het antwoord hier.

12

Detic— 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.

13

Detic— 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: 23,102–61,604 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

14

Detic— 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 0.8 GB, en produceert ongeveer 419 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

15

Detic— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 38,503 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: 818.

16

Detic— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 0.8 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.

17

Detic— 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 0.8 GB en genereren ongeveer 7,171 tokens per second. De fit is comfortabel.

18

Detic— 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 0.8 GB en genereren ongeveer 4,391 tokens per second. De fit is comfortabel.

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