Masked Autoencoders ViT-H TPS-rekenmachine

Open gewichten Facebook AI Research 632M parameters November 2021

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 · 58.3 tok/s

Snelste kaart

B200

5,361 tok/s · 180 GB

Welke GPU's kunnen draaien Masked Autoencoders ViT-H?

Stel de invoer in, lees het antwoord

Contextlengte tokens

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

Minimale kwaliteit

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

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

818 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
5,361 tok/s 3,217–8,578 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.4 GB	Q8_0	Comfortabel
5,361 tok/s 3,217–8,578 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.4 GB	Q8_0	Comfortabel
4,281 tok/s 2,569–6,850 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Comfortabel
4,281 tok/s 2,569–6,850 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Comfortabel
3,424 tok/s 2,054–5,478 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.4 GB	Q8_0	Comfortabel
3,277 tok/s 1,966–5,243 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Comfortabel
3,277 tok/s 1,966–5,243 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Comfortabel
3,136 tok/s 1,882–5,018 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.4 GB	Q8_0	Comfortabel
2,783 tok/s 1,670–4,453 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Comfortabel
2,783 tok/s 1,670–4,453 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Comfortabel
2,783 tok/s 1,670–4,453 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Comfortabel
2,640 tok/s 1,584–4,225 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.4 GB	Q8_0	Comfortabel
2,252 tok/s 1,351–3,603 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Comfortabel
2,252 tok/s 1,351–3,603 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.4 GB	Q8_0	Comfortabel
2,252 tok/s 1,351–3,603 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Comfortabel
2,252 tok/s 1,351–3,603 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Comfortabel
2,252 tok/s 1,351–3,603 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Comfortabel
1,714 tok/s 1,029–2,743 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Comfortabel
1,714 tok/s 1,029–2,743 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Comfortabel
1,429 tok/s 857–2,286 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.4 GB	Q8_0	Comfortabel
1,398 tok/s 839–2,237 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.4 GB	Q8_0	Comfortabel
1,367 tok/s 820–2,187 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.4 GB	Q8_0	Comfortabel
1,367 tok/s 820–2,187 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.4 GB	Q8_0	Comfortabel
1,367 tok/s 820–2,187 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.4 GB	Q8_0	Comfortabel
1,367 tok/s 820–2,187 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.4 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: Facebook AI Research
Organisatietype: Industry
Land: United States of America, France
Gepubliceerd: 11 November 2021
Auteurs: Kaiming He, Xinlei Chen, Saining Xie, Yanghao Li, Piotr Dollár, Ross Girshick

Wat het doet

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

Domein: Vision
Taak: Semantic segmentation, Image classification, Image generation
Aanpak: Self-supervised learning
Basis model: ViT-Huge/14

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: 632M
Training gegevens: 327,978,752 tokens
Epochs: 1,600

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: 4.6 × 10²⁰ FLOP
Hoe het werd opgericht: Hardware,Operation counting

De trainingsrun

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

Kloktijd: 69 hours

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 (non-commercial)

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: Highly cited,SOTA improvement
Record vertrouwen: Speculative
Citaties: 11,449

Bronnen

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

Referentie: Masked Autoencoders Are Scalable Vision Learners
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien Masked Autoencoders ViT-H

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..

De kleinste GPU's die nog steeds draaien Masked Autoencoders ViT-H

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

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.4 GB

Snelste

5,361 tok/s

Masked Autoencoders ViT-H bereikt een parameter telling van 632M. 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 58.3 tokens per seconde

De snelste resultaten komen van B200, genereren ongeveer 5,361 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

Masked Autoencoders ViT-H werd gepubliceerd door Facebook AI Research, in het land geregistreerd als United States of America, tijdens November 2021. De categorie waaronder de uitgever valt is industry.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van semantic segmentation, Image classification, Image generation.

In plaats van vanaf nul te worden getraind, is het afgeleid van ViT-Huge/14. Dat is waarom het de algemene vorm en grootte van het basismodell deelt.

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.

Begrijpen van de snelheden

De mediaanresultaat is rond 150.5 tokens per seconde. 809 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

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 4.6 × 10²⁰ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Training verbruikte een corpus van ongeveer 327,978,752 tekstokens

De inclusiecriteria: highly cited,SOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor Masked Autoencoders ViT-H

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 Masked Autoencoders ViT-H, ongeveer nodig 1.4 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
02

Bepaal hoe lang je gesprekken duren

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. Masked Autoencoders ViT-H.
03

Kies hoe ver je het wilt comprimeren

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.
04

Rangschik op doorvoer in plaats van specificatielijst

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Masked Autoencoders ViT-H. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 5,361 tok/s
05

Controleer het geschiktheidsadvies voordat je koopt

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van Masked Autoencoders ViT-H. 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 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 Masked Autoencoders ViT-H.

Antwoorden

Masked Autoencoders ViT-H — veelgestelde vragen

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 4.6 × 10²⁰ FLOP. 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.

Masked Autoencoders ViT-H— 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. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— 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: 3,217–8,578 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Masked Autoencoders ViT-H— 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 1.4 GB, en produceert ongeveer 58.3 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

Masked Autoencoders ViT-H— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 5,361 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.

Masked Autoencoders ViT-H— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.4 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.

Masked Autoencoders ViT-H— 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 1.4 GB en genereren ongeveer 999 tokens per second. De fit is comfortabel.

Masked Autoencoders ViT-H— 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 1.4 GB en genereren ongeveer 611 tokens per second. De fit is comfortabel.

Masked Autoencoders ViT-H— 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 1.4 GB en genereren ongeveer 757 tokens per second. De fit is comfortabel.

Masked Autoencoders ViT-H— 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 1.4 GB en genereren ongeveer 898 tokens per second. De fit is comfortabel.

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— hoeveel parameters heeft het?

Het heeft een parameter telling van 632M. Three models: ViT-B (86M), ViT-L (304M), ViT-H (632M). 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.

Masked Autoencoders ViT-H— wie heeft het gemaakt?

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

Masked Autoencoders ViT-H— wanneer is het uitgebracht?

Het werd gepubliceerd in November 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

Masked Autoencoders ViT-H— waarvoor wordt het gebruikt?

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

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