Segatron XL base, M=384 TPS-rekenmachine

Open gewichten University of Waterloo,RSVP.ai,Peking University 257M parameters April 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 · 143 tok/s

Snelste kaart

B200

13,184 tok/s · 180 GB

Welke GPU's kunnen draaien Segatron XL base, M=384?

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
13,184 tok/s

7,910–21,094 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.0 GB Q8_0 Comfortabel
13,184 tok/s

7,910–21,094 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.0 GB Q8_0 Comfortabel
10,528 tok/s

6,317–16,844 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Comfortabel
10,528 tok/s

6,317–16,844 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Comfortabel
8,420 tok/s

5,052–13,471 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
8,059 tok/s

4,835–12,894 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Comfortabel
8,059 tok/s

4,835–12,894 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Comfortabel
7,713 tok/s

4,628–12,340 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.0 GB Q8_0 Comfortabel
6,845 tok/s

4,107–10,952 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
6,845 tok/s

4,107–10,952 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
6,845 tok/s

4,107–10,952 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
6,493 tok/s

3,896–10,389 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
5,537 tok/s

3,322–8,860 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
5,537 tok/s

3,322–8,860 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.0 GB Q8_0 Comfortabel
5,537 tok/s

3,322–8,860 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
5,537 tok/s

3,322–8,860 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
5,537 tok/s

3,322–8,860 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
4,216 tok/s

2,530–6,746 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Comfortabel
4,216 tok/s

2,530–6,746 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Comfortabel
3,513 tok/s

2,108–5,622 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
3,439 tok/s

2,063–5,502 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
3,362 tok/s

2,017–5,379 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.0 GB Q8_0 Comfortabel
3,362 tok/s

2,017–5,379 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.0 GB Q8_0 Comfortabel
3,362 tok/s

2,017–5,379 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.0 GB Q8_0 Comfortabel
3,362 tok/s

2,017–5,379 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.0 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
University of Waterloo,RSVP.ai,Peking University
Organisatietype
Academia,Industry,Academia
Land
Canada, China
Gepubliceerd
30 April 2020
Auteurs
He Bai, Peng Shi, Jimmy Lin, Yuqing Xie, Luchen Tan, Kun Xiong, Wen Gao, Ming Li

Wat het doet

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

Domein
Language
Taak
Language modeling

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
257M
Training gegevens
tokens
Epochs
18.64

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
2.7 × 10¹⁹ FLOP

The large model is an 18 layer Transformer with a hidden size of 1024 and 16 attention heads. This model is trained with 350K steps with a batch size of 128. The sequence length and memory length dur- ing training and testing all equal 150 for the base model and 384 for the large model Total tokens: 350000*128*384=17203200000 Training FLOP: 6*17203200000*257000000=2.6527334e+19

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)

training code and weights, no clear license: https://github.com/rsvp-ai/segatron_aaai?tab=readme-ov-file

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.

Record vertrouwen
Confident
Benchmarkgegevens
Segatron XL base, M=384

Bronnen

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

Referentie
Segatron: Segment-Aware Transformer for Language Modeling and Understanding
Laatst bijgewerkt
28 November 2025

De extremen

De tien snelste GPU's die draaien Segatron XL base, M=384

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 13,184 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 13,184 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 10,528 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 10,528 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 8,420 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 8,059 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 8,059 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 7,713 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 6,845 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 6,845 tok/s

De kleinste GPU's die nog steeds draaien Segatron XL base, M=384

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 1.0 GB · Q8_0 · Comfortabel 158 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 158 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 211 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 316 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 56.2 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 165 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 185 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 165 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 133 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 137 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.0 GB

Snelste

13,184 tok/s

Segatron XL base, M=384 bereikt een parameter telling van 257M. 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 143 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 13,184 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

Segatron XL base, M=384 werd gepubliceerd door University of Waterloo,RSVP.ai,Peking University, in het land geregistreerd als Canada, tijdens April 2020. De publicerende organisatie is geclassificeerd als academia,Industry,Academia.

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

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.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 370.2 tokens per second. Outright de leessnelheid overschrijden. 818 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

Training kostte een rekensbudget van ongeveer 2.7 × 10¹⁹ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor Segatron XL base, M=384

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 Segatron XL base, M=384, ongeveer nodig 1.0 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 Segatron XL base, M=384.

  3. 03

    Stel een kwaliteitsvloer in

    Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., 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

    Vergelijk tokens per seconde, niet specificaties

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Segatron XL base, M=384. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 13,184 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 Segatron XL base, M=384. 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 kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast Segatron XL base, M=384.

Antwoorden

Segatron XL base, M=384 — veelgestelde vragen

01

Segatron XL base, M=384— 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

Segatron XL base, M=384— hoeveel parameters heeft het?

Het heeft een parameter telling van 257M. 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

Segatron XL base, M=384— wie heeft het gemaakt?

Het werd gepubliceerd door University of Waterloo,RSVP.ai,Peking University, gebaseerd op Canada, een organisatie geclassificeerd als academia,Industry,Academia.

04

Segatron XL base, M=384— wanneer is het uitgebracht?

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

05

Segatron XL base, M=384— waarvoor wordt het gebruikt?

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

06

Segatron XL base, M=384— 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

Segatron XL base, M=384— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.7 × 10¹⁹ 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.

08

Segatron XL base, M=384— 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.

09

Segatron XL base, M=384— 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.

10

Segatron XL base, M=384— 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.

11

Segatron XL base, M=384— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 7,910–21,094 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

12

Segatron XL base, M=384— 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 1.0 GB, en produceert ongeveer 143 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

13

Segatron XL base, M=384— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 13,184 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.

14

Segatron XL base, M=384— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.0 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.

15

Segatron XL base, M=384— 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 1.0 GB en genereren ongeveer 2,455 tokens per second. De fit is comfortabel.

16

Segatron XL base, M=384— 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 1.0 GB en genereren ongeveer 1,504 tokens per second. De fit is comfortabel.

17

Segatron XL base, M=384— 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 1.0 GB en genereren ongeveer 1,862 tokens per second. De fit is comfortabel.

18

Segatron XL base, M=384— 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 1.0 GB en genereren ongeveer 2,208 tokens per second. De fit is comfortabel.

Bron

Originele publicatie

Laatste update geregistreerd 28 November 2025

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