German ELECTRA Large TPS-rekenmachine

Open gewichten deepset,Bayerische Staatsbibliothek Muenchen 335M parameters October 2020

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 · 110 tok/s

Snelste kaart

B200

10,114 tok/s · 180 GB

Welke GPU's kunnen draaien German ELECTRA Large?

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
10,114 tok/s

6,068–16,183 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Comfortabel
10,114 tok/s

6,068–16,183 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Comfortabel
8,076 tok/s

4,846–12,922 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Comfortabel
8,076 tok/s

4,846–12,922 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Comfortabel
6,459 tok/s

3,875–10,335 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Comfortabel
6,182 tok/s

3,709–9,892 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Comfortabel
6,182 tok/s

3,709–9,892 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Comfortabel
5,917 tok/s

3,550–9,467 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Comfortabel
5,251 tok/s

3,151–8,402 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Comfortabel
5,251 tok/s

3,151–8,402 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Comfortabel
5,251 tok/s

3,151–8,402 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Comfortabel
4,981 tok/s

2,989–7,970 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Comfortabel
4,248 tok/s

2,549–6,797 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Comfortabel
4,248 tok/s

2,549–6,797 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Comfortabel
4,248 tok/s

2,549–6,797 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Comfortabel
4,248 tok/s

2,549–6,797 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Comfortabel
4,248 tok/s

2,549–6,797 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Comfortabel
3,235 tok/s

1,941–5,175 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Comfortabel
3,235 tok/s

1,941–5,175 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Comfortabel
2,695 tok/s

1,617–4,313 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Comfortabel
2,638 tok/s

1,583–4,221 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Comfortabel
2,579 tok/s

1,547–4,127 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Comfortabel
2,579 tok/s

1,547–4,127 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Comfortabel
2,579 tok/s

1,547–4,127 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Comfortabel
2,579 tok/s

1,547–4,127 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
deepset,Bayerische Staatsbibliothek Muenchen
Organisatietype
Industry,Government
Land
Germany
Gepubliceerd
21 October 2020
Auteurs
Branden Chan, Stefan Schweter, Timo Möller

Wat het doet

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

Domein
Language
Taak
Document classification, Named entity recognition (NER), Text classification

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
335M

335M from Table 5

Training gegevens
36,383,733,333 tokens

163.4GB from Table 1 in the paper assuming 167M words per GB (German Language) we have 163.4 * 167M * 4/3 tokens per word = 36,383,733,333

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
1.4 × 10²¹ FLOP

flops = (64) * (123* 10**12) * (7 * 24 * 3600) * (0.3) = 1.4e21 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) 'large models were trained on pods of 16 TPUs v3 (128 cores).' - from section 4.1 it was trained for 7 days from Table 2 Agrees with 6CN: Tokens seen: 512 (seq len) * 1024 (batch size) * 1 million (steps) = 5.24e11 FLOPs: 6 * 335M * 5.24e11 = 1.05e21

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.

Training hardware
Google TPU v3
Gebruikte chips
64
Chip-uren
10,752
Kloktijd
168 hours (7 days)

7 days from Table 2

Stroomverbruik
58.6 kW
Rekenkosten
$2,392

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
Unreleased

MIT: https://huggingface.co/deepset/gelectra-large

Hugging Face
deepset

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

'we were able to attain SoTA performance across a set of document classification and named entity recognition (NER) tasks for both models of base and large size.'

Record vertrouwen
Confident
Citaties
333

Bronnen

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

Referentie
German's Next Language Model
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien German ELECTRA Large

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 10,114 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 10,114 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,459 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,917 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,251 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,251 tok/s

De kleinste GPU's die nog steeds draaien German ELECTRA Large

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 1.1 GB · Q8_0 · Comfortabel 121 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 121 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 162 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 243 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 43.1 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 126 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 142 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 126 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 102 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.1 GB · Q8_0 · Comfortabel 105 tok/s

Wat de cijfers betekenen

Wat je nodig hebt om het te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.1 GB

Snelste

10,114 tok/s

German ELECTRA Large bereikt een parameter telling van 335M. 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 minste hardware die werkt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 110 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 10,114 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

German ELECTRA Large werd gepubliceerd door deepset,Bayerische Staatsbibliothek Muenchen, in het land geregistreerd als Germany, tijdens October 2020. De categorie waaronder de uitgever valt is industry,Government.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van document classification, Named entity recognition (NER), Text classification.

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. Op Hugging Face is het gepubliceerd onder de organisatie deepset.

Wat bepaalt de snelheid

De mediaanresultaat is rond 284.0 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.

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 kostte een rekensbudget van ongeveer 1.4 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v3. 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 36,383,733,333 tekstokens

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

Stap voor stap

Hoe een GPU te kiezen voor German ELECTRA Large

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.

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van German ELECTRA Large, ongeveer nodig 1.1 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.

  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 German ELECTRA Large.

  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

    Rangschik op doorvoer in plaats van specificatielijst

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor German ELECTRA Large. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 10,114 tok/s

  5. 05

    Controleer het geschiktheidsadvies voordat je koopt

    Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van German ELECTRA Large. 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.

    Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op German ELECTRA Large.

Antwoorden

German ELECTRA Large — veelgestelde vragen

01

German ELECTRA Large— 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.

02

German ELECTRA Large— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 6,068–16,183 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

03

German ELECTRA Large— 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 1.1 GB, en produceert ongeveer 110 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

04

German ELECTRA Large— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 10,114 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.

05

German ELECTRA Large— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.1 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.

06

German ELECTRA Large— 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 1.1 GB en genereren ongeveer 1,884 tokens per second. De fit is comfortabel.

07

German ELECTRA Large— 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 1.1 GB en genereren ongeveer 1,154 tokens per second. De fit is comfortabel.

08

German ELECTRA Large— 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 1.1 GB en genereren ongeveer 1,429 tokens per second. De fit is comfortabel.

09

German ELECTRA Large— 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 1.1 GB en genereren ongeveer 1,694 tokens per second. De fit is comfortabel.

10

German ELECTRA Large— 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.

11

German ELECTRA Large— hoeveel parameters heeft het?

Het heeft een parameter telling van 335M. 335M from Table 5. 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.

12

German ELECTRA Large— wie heeft het gemaakt?

Het werd gepubliceerd door deepset,Bayerische Staatsbibliothek Muenchen, gebaseerd op Germany, een organisatie geclassificeerd als industry,Government.

13

German ELECTRA Large— wanneer is het uitgebracht?

Het werd gepubliceerd in October 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

14

German ELECTRA Large— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van document classification, Named entity recognition (NER), Text classification. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.

15

German ELECTRA Large— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie deepset. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

16

German ELECTRA Large— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 1.4 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v3. 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.

17

German ELECTRA Large— 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.

18

German ELECTRA Large— 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.

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