Decoupled weight decay regularization TPS-rekenmachine

Open gewichten University of Freiburg 36.5M parameters January 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 · 1,010 tok/s

Snelste kaart

B200

92,828 tok/s · 180 GB

Welke GPU's kunnen draaien Decoupled weight decay regularization?

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
92,828 tok/s 55,697–148,525 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Comfortabel
92,828 tok/s 55,697–148,525 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Comfortabel
74,126 tok/s 44,475–118,601 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comfortabel
74,126 tok/s 44,475–118,601 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comfortabel
59,283 tok/s 35,570–94,852 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
56,741 tok/s 34,045–90,786 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comfortabel
56,741 tok/s 34,045–90,786 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comfortabel
54,305 tok/s 32,583–86,887 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Comfortabel
48,195 tok/s 28,917–77,113 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
48,195 tok/s 28,917–77,113 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
48,195 tok/s 28,917–77,113 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comfortabel
45,718 tok/s 27,431–73,149 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
38,988 tok/s 23,393–62,381 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
38,988 tok/s 23,393–62,381 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Comfortabel
38,988 tok/s 23,393–62,381 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
38,988 tok/s 23,393–62,381 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
38,988 tok/s 23,393–62,381 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comfortabel
29,687 tok/s 17,812–47,498 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comfortabel
29,687 tok/s 17,812–47,498 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comfortabel
24,739 tok/s 14,843–39,582 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
24,211 tok/s 14,526–38,737 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Comfortabel
23,671 tok/s 14,203–37,874 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Comfortabel
23,671 tok/s 14,203–37,874 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Comfortabel
23,671 tok/s 14,203–37,874 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Comfortabel
23,671 tok/s 14,203–37,874 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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 Freiburg
Organisatietype: Academia
Land: Germany
Gepubliceerd: 4 January 2019
Auteurs: Ilya Loshchilov and Frank Hutter

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: 36.5M
Training gegevens: 50,000 tokens

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: 4.7 × 10¹⁷ FLOP
Hoe het werd opgericht: Operation counting

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: Open source

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
Citaties: 2,658

Bronnen

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

Referentie: Decoupled weight decay regularization.
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien Decoupled weight decay regularization

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 Decoupled weight decay regularization

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

De hardwarekant

Minimum kaart

Tesla C1080

Geheugen nodig

0.7 GB

Snelste

92,828 tok/s

Decoupled weight decay regularization bereikt een parameter telling van 36.5M. 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 1,010 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 92,828 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

Decoupled weight decay regularization werd gepubliceerd door University of Freiburg, in het land geregistreerd als Germany, tijdens January 2019. De categorie waaronder de uitgever valt is academia.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image 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.

Wat bepaalt de snelheid

Over elke kaart die het kan draaien, ligt het midden van het bereik op 2,606.6 tokens per second. Outright de leessnelheid overschrijden. 818 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

Geheugen hier is geschat op basis van grootte in plaats van berekend vanuit de architectuur, die niet is vastgelegd voor dit model — de cijfers zijn indicatief eerder dan exact.

Hoe het getraind werd

De training run verbruikte ongeveer 4.7 × 10¹⁷ FLOP. 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 50,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor Decoupled weight decay regularization

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

Begin vanuit de geheugen kolom

Elke kaart hier is gecontroleerd op Decoupled weight decay regularization, ongeveer nodig 0.7 GB bij een compressie van Q8_0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
02

Stel de contextlengte in waarmee je gaat werken

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 Decoupled weight decay regularization.
03

Kies hoe ver je het wilt comprimeren

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.
04

Sorteer op snelheid

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor Decoupled weight decay regularization. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 92,828 tok/s
05

Lees de passen kolom laatst

De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van Decoupled weight decay regularization. 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

Controleer de kaart vanaf de andere kant

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 Decoupled weight decay regularization.

Antwoorden

Decoupled weight decay regularization — veelgestelde vragen

Decoupled weight decay regularization— 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 0.7 GB en genereren ongeveer 15,549 tokens per second. De fit is comfortabel.

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— hoeveel parameters heeft het?

Het heeft een parameter telling van 36.5M. From author communication WideResNet 28-10 models with 36.5 million parameters (3.65E+07). 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.

Decoupled weight decay regularization— wie heeft het gemaakt?

Het werd gepubliceerd door University of Freiburg, gebaseerd op Germany, een organisatie geclassificeerd als academia.

Decoupled weight decay regularization— wanneer is het uitgebracht?

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

Decoupled weight decay regularization— waarvoor wordt het gebruikt?

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

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 4.7 × 10¹⁷ 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.

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— 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: 55,697–148,525 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Decoupled weight decay regularization— 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 0.7 GB, en produceert ongeveer 1,010 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

Decoupled weight decay regularization— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 92,828 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.

Decoupled weight decay regularization— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 0.7 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.

Decoupled weight decay regularization— 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 0.7 GB en genereren ongeveer 17,289 tokens per second. De fit is comfortabel.

Decoupled weight decay regularization— 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 0.7 GB en genereren ongeveer 10,587 tokens per second. De fit is comfortabel.

Decoupled weight decay regularization— 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 0.7 GB en genereren ongeveer 13,112 tokens per second. De fit is comfortabel.

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