CamemBERT TPS-rekenmachine

Open gewichten Facebook,INRIA,Sorbonne University 335M parameters November 2019

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 CamemBERT?

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
Facebook,INRIA,Sorbonne University
Organisatietype
Industry,Academia,Academia
Land
United States of America, France
Gepubliceerd
10 November 2019
Auteurs
Louis Martin, Benjamin Muller, Pedro Javier Ortiz Suárez, Yoann Dupont, Laurent Romary, Éric Villemonte de la Clergerie, Djamé Seddah, Benoît Sagot

Wat het doet

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

Domein
Language
Taak
Language modeling/generation, Part-of-speech tagging, Named entity recognition (NER)

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

CamemBERT Large, Table 4

Training gegevens
28,615,771,780 tokens

31.9B tokens, Table 6.

Epochs
13

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
8.3 × 10²⁰ FLOP

"Unless otherwise specified, our models use the BASE architecture, and are pretrained for 100k backpropagation steps on 256 Nvidia V100 GPUs (32GB each) for a day" 256 V100-days 256 * 125 teraflops * 24 * 3600 * 0.3 (assumed utilization) = 8.3e20 "Following (Liu et al., 2019), we optimize the model using Adam (Kingma and Ba, 2014) (β1 = 0.9, β2 = 0.98) for 100k steps with large batch sizes of 8192 sequences, each sequence containing at most 512 tokens" Using compute = 6*N*D, that's 6 * (100…

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
NVIDIA V100
Kloktijd
24 hours

1 day for each model (may not have been a full 24 hours)

Rekenkosten
$2,320

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://camembert-model.fr/

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

"Our best performing model CamemBERT reaches or improves the state of the art in all four downstream tasks." (part-of-speech tagging, dependency parsing, named entity recognition and natural language inference tasks)

Record vertrouwen
Confident
Citaties
1,083

Bronnen

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

Referentie
CamemBERT: a Tasty French Language Model
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien CamemBERT

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 CamemBERT

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

CamemBERT 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

De snelste we er voor berekenen is B200, genereren ongeveer 10,114 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

CamemBERT werd gepubliceerd door Facebook,INRIA,Sorbonne University, in het land geregistreerd als United States of America, tijdens November 2019. Het komt uit een organisatie gecategoriseerd als industry,Academia,Academia.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Part-of-speech tagging, Named entity recognition (NER).

De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 284.0 tokens per seconde. 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.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Wat erin ging zitten om het te bouwen

De training run verbruikte ongeveer 8.3 × 10²⁰ 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.

Het is getraind op een corpus van ongeveer 28,615,771,780 tekstokens

De inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor CamemBERT

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

    De tabel vermeldt elke kaart die in staat is om te bevatten. CamemBERT, ongeveer nodig 1.1 GB bij een compressie van Q8_0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.

  2. 02

    Stem de context af op uw werkelijke gebruik

    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. CamemBERT.

  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

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor CamemBERT. 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

    Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van CamemBERT. 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

    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 CamemBERT.

Antwoorden

CamemBERT — veelgestelde vragen

01

CamemBERT— hoeveel parameters heeft het?

Het heeft een parameter telling van 335M. CamemBERT Large, Table 4. 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.

02

CamemBERT— wie heeft het gemaakt?

Het werd gepubliceerd door Facebook,INRIA,Sorbonne University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Academia.

03

CamemBERT— wanneer is het uitgebracht?

Het werd gepubliceerd in November 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

04

CamemBERT— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Part-of-speech tagging, Named entity recognition (NER). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

05

CamemBERT— 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.

06

CamemBERT— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 8.3 × 10²⁰ 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.

07

CamemBERT— 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.

08

CamemBERT— 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.

09

CamemBERT— 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.

10

CamemBERT— hoe nauwkeurig zijn deze snelheidsschattingen?

Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: 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.

11

CamemBERT— 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.

12

CamemBERT— 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.

13

CamemBERT— 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.

14

CamemBERT— 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.

15

CamemBERT— 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.

16

CamemBERT— 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.

17

CamemBERT— 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.

18

CamemBERT— 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.

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