FixRes ResNeXt-101 WSL TPS-rekenmachine

Open gewichten Facebook AI 829M parameters June 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 · 44.5 tok/s

Snelste kaart

B200

4,087 tok/s · 180 GB

Welke GPU's kunnen draaien FixRes ResNeXt-101 WSL?

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
4,087 tok/s

2,452–6,539 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.6 GB Q8_0 Comfortabel
4,087 tok/s

2,452–6,539 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.6 GB Q8_0 Comfortabel
3,264 tok/s

1,958–5,222 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.6 GB Q8_0 Comfortabel
3,264 tok/s

1,958–5,222 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.6 GB Q8_0 Comfortabel
2,610 tok/s

1,566–4,176 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
2,498 tok/s

1,499–3,997 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.6 GB Q8_0 Comfortabel
2,498 tok/s

1,499–3,997 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.6 GB Q8_0 Comfortabel
2,391 tok/s

1,435–3,826 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.6 GB Q8_0 Comfortabel
2,122 tok/s

1,273–3,395 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
2,122 tok/s

1,273–3,395 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
2,122 tok/s

1,273–3,395 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
2,013 tok/s

1,208–3,221 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,717 tok/s

1,030–2,747 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,717 tok/s

1,030–2,747 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.6 GB Q8_0 Comfortabel
1,717 tok/s

1,030–2,747 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,717 tok/s

1,030–2,747 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,717 tok/s

1,030–2,747 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,307 tok/s

784–2,091 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.6 GB Q8_0 Comfortabel
1,307 tok/s

784–2,091 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.6 GB Q8_0 Comfortabel
1,089 tok/s

654–1,743 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
1,066 tok/s

640–1,706 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
1,042 tok/s

625–1,668 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.6 GB Q8_0 Comfortabel
1,042 tok/s

625–1,668 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.6 GB Q8_0 Comfortabel
1,042 tok/s

625–1,668 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.6 GB Q8_0 Comfortabel
1,042 tok/s

625–1,668 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.6 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
Organisatietype
Industry
Land
United States of America
Gepubliceerd
14 June 2019
Auteurs
Hugo Touvron, Andrea Vedaldi, Matthijs Douze, Hervé Jégou

Wat het doet

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

Domein
Vision
Taak
Image 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
829M
Training gegevens
940,000,000 tokens

"Conversely, when training a ResNeXt-101 32x48d pre-trained in weakly-supervised fashion on 940 million public images at resolution 224x224 and further optimizing for test resolution 320x320, we obtain a test top-1 accuracy of 86.4% (top-5: 98.0%) (single-crop)"

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)

code/weights with non-commercial license: https://github.com/facebookresearch/FixRes?tab=License-1-ov-file#readme

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

"To the best of our knowledge our ResNeXt-101 32x48d surpasses all other models available in the literature"

Citaties
477

Bronnen

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

Referentie
Fixing the train-test resolution discrepancy
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien FixRes ResNeXt-101 WSL

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 4,087 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 4,087 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 3,264 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 3,264 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 2,610 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 2,498 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 2,498 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 2,391 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,122 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,122 tok/s

De kleinste GPU's die nog steeds draaien FixRes ResNeXt-101 WSL

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 1.6 GB · Q8_0 · Comfortabel 49.1 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 49.1 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 65.4 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 98.1 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 17.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 51.0 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 57.4 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 51.0 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 41.2 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 42.5 tok/s

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

Tesla C1080

Geheugen nodig

1.6 GB

Snelste

4,087 tok/s

FixRes ResNeXt-101 WSL bereikt een parameter telling van 829M. 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.

Aan de onderkant wordt het afgehandeld door Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 44.5 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 4,087 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

FixRes ResNeXt-101 WSL werd gepubliceerd door Facebook AI, in het land geregistreerd als United States of America, tijdens June 2019. De publicerende organisatie is geclassificeerd als industry.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van 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 114.8 tokens per second. Outright de leessnelheid overschrijden. 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.

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.

Hoe het getraind werd

Het is getraind op een corpus van ongeveer 940,000,000 tekstokens

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

Stap voor stap

Hoe een GPU te kiezen voor FixRes ResNeXt-101 WSL

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

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van FixRes ResNeXt-101 WSL, ongeveer nodig 1.6 GB bij een compressie van Q8_0. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    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. FixRes ResNeXt-101 WSL.

  3. 03

    Bepaal hoeveel compressie je accepteert

    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

    De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. FixRes ResNeXt-101 WSL. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 4,087 tok/s

  5. 05

    Lees de passen kolom laatst

    De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van FixRes ResNeXt-101 WSL. 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 FixRes ResNeXt-101 WSL.

Antwoorden

FixRes ResNeXt-101 WSL — veelgestelde vragen

01

FixRes ResNeXt-101 WSL— 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.

02

FixRes ResNeXt-101 WSL— 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.

03

FixRes ResNeXt-101 WSL— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 818. Dus een tweede card is zelden het antwoord hier.

04

FixRes ResNeXt-101 WSL— waarom verschilt de quantisatie tussen kaarten?

Omdat de capaciteit varieert, varieert ook hoe hard het moet worden samengedrukt. Het aantal onderscheidende niveaus in de bovenstaande tabel: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

05

FixRes ResNeXt-101 WSL— 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: 2,452–6,539 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

06

FixRes ResNeXt-101 WSL— 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 1.6 GB, en produceert ongeveer 44.5 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

07

FixRes ResNeXt-101 WSL— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 4,087 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.

08

FixRes ResNeXt-101 WSL— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.6 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.

09

FixRes ResNeXt-101 WSL— 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 1.6 GB en genereren ongeveer 761 tokens per second. De fit is comfortabel.

10

FixRes ResNeXt-101 WSL— 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 1.6 GB en genereren ongeveer 466 tokens per second. De fit is comfortabel.

11

FixRes ResNeXt-101 WSL— 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 1.6 GB en genereren ongeveer 577 tokens per second. De fit is comfortabel.

12

FixRes ResNeXt-101 WSL— 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 1.6 GB en genereren ongeveer 685 tokens per second. De fit is comfortabel.

13

FixRes ResNeXt-101 WSL— 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.

14

FixRes ResNeXt-101 WSL— hoeveel parameters heeft het?

Het heeft een parameter telling van 829M. 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.

15

FixRes ResNeXt-101 WSL— wie heeft het gemaakt?

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

16

FixRes ResNeXt-101 WSL— wanneer is het uitgebracht?

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

17

FixRes ResNeXt-101 WSL— waarvoor wordt het gebruikt?

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

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