Qwen3 Embedding TPS-rekenmachine

Open gewichten Alibaba 8B parameters June 2025

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

582 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Quadro 6000

6 GB · IQ4_XS · 15.9 tok/s

Snelste kaart

B200

424 tok/s · 180 GB

Welke GPU's kunnen draaien Qwen3 Embedding?

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

582 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
424 tok/s 254–678 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	9.3 GB	Q8_0	Comfortabel
424 tok/s 254–678 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	9.3 GB	Q8_0	Comfortabel
338 tok/s 203–541 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	9.3 GB	Q8_0	Comfortabel
338 tok/s 203–541 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	9.3 GB	Q8_0	Comfortabel
270 tok/s 162–433 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	9.3 GB	Q8_0	Comfortabel
259 tok/s 155–414 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.3 GB	Q8_0	Comfortabel
259 tok/s 155–414 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	9.3 GB	Q8_0	Comfortabel
248 tok/s 149–396 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	9.3 GB	Q8_0	Comfortabel
220 tok/s 132–352 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Comfortabel
220 tok/s 132–352 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Comfortabel
220 tok/s 132–352 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	9.3 GB	Q8_0	Comfortabel
209 tok/s 125–334 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	9.3 GB	Q8_0	Comfortabel
178 tok/s 107–285 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Comfortabel
178 tok/s 107–285 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	9.3 GB	Q8_0	Comfortabel
178 tok/s 107–285 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Comfortabel
178 tok/s 107–285 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Comfortabel
178 tok/s 107–285 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	9.3 GB	Q8_0	Comfortabel
141 tok/s 85–225 · lage vertrouwen	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.5 GB	Q5_K_M	Krap
135 tok/s 81–217 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	9.3 GB	Q8_0	Comfortabel
135 tok/s 81–217 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	9.3 GB	Q8_0	Comfortabel
120 tok/s 72–192 · lage vertrouwen	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	7.4 GB	Q6_K	Comfortabel
113 tok/s 68–181 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	9.3 GB	Q8_0	Comfortabel
110 tok/s 66–177 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	9.3 GB	Q8_0	Comfortabel
108 tok/s 65–173 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	9.3 GB	Q8_0	Comfortabel
108 tok/s 65–173 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	9.3 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: Alibaba
Organisatietype: Industry
Land: China
Gepubliceerd: 5 June 2025
Auteurs: Yanzhao Zhang, Mingxin Li, Dingkun Long, Xin Zhang, Huan Lin, Baosong Yang, Pengjun Xie, An Yang, Dayiheng Liu, Junyang Lin, Fei Huang, Jingren Zhou

Wat het doet

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

Domein: Language
Taak: Semantic embedding
Basis model: Qwen3-8B

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: 8B
Training gegevens: tokens

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
Hugging Face: Qwen

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
Record vertrouwen: Confident

Bronnen

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

Referentie: Qwen3 Embedding: Advancing Text Embedding and Reranking Through Foundation Models
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien Qwen3 Embedding

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 Qwen3 Embedding

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

Hardwarevereisten in de praktijk

Minimum kaart

Quadro 6000

Geheugen nodig

5.1 GB

Snelste

424 tok/s

Qwen3 Embedding bereikt een parameter telling van 8B. 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: 582.

Het toegangspunt is Quadro 6000, met een geheugen capaciteit van 6 GB, het draaien ervan met een compressie van IQ4_XS en produceren rond 15.9 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 424 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Achtergrond

Qwen3 Embedding werd gepubliceerd door Alibaba, in het land geregistreerd als China, tijdens June 2025. De categorie waaronder de uitgever valt is industry.

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

Het bouwt voort op Qwen3-8B. Dat is waarom het de algemene vorm en grootte van het basismodell deelt.

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

Het lezen van de doorvoercijfers

Over elke kaart die het kan draaien, ligt het midden van het bereik op 23.8 tokens per second. Outright de leessnelheid overschrijden. 551 van hen

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

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

De inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor Qwen3 Embedding

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

Lees eerst de geheugenfiguur

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van Qwen3 Embedding, ongeveer nodig 5.1 GB bij een compressie van IQ4_XS. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
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 Qwen3 Embedding.
03

Kies hoe ver je het wilt comprimeren

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van IQ4_XS 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

Rangschik op doorvoer in plaats van specificatielijst

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor Qwen3 Embedding. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 424 tok/s
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 Qwen3 Embedding. 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

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 Qwen3 Embedding.

Antwoorden

Qwen3 Embedding — veelgestelde vragen

Qwen3 Embedding— 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 9.3 GB en genereren ongeveer 59.8 tokens per second. De fit is comfortabel.

Qwen3 Embedding— 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 9.3 GB en genereren ongeveer 70.9 tokens per second. De fit is comfortabel.

Qwen3 Embedding— 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.

Qwen3 Embedding— hoeveel parameters heeft het?

Het heeft een parameter telling van 8B. 8B. 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.

Qwen3 Embedding— wie heeft het gemaakt?

Het werd gepubliceerd door Alibaba, gebaseerd op China, een organisatie geclassificeerd als industry.

Qwen3 Embedding— wanneer is het uitgebracht?

Het werd gepubliceerd in June 2025.

Qwen3 Embedding— waarvoor wordt het gebruikt?

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

Qwen3 Embedding— waar kan ik het downloaden?

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

Qwen3 Embedding— 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. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 1.0 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Qwen3 Embedding— 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: 582. Dus een tweede card is zelden het antwoord hier.

Qwen3 Embedding— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

Qwen3 Embedding— 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: 254–678 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Qwen3 Embedding— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Quadro 6000, met een geheugen capaciteit van 6 GB. Het draait het model op een compressie van IQ4_XS ongeveer 5.1 GB, en produceert ongeveer 15.9 tokens per second. Het aantal kaarten dat het totaal kan draaien: 582.

Qwen3 Embedding— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 424 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: 551.

Qwen3 Embedding— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 5.1 GB bij een compressie van IQ4_XS, 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.

Qwen3 Embedding— 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 Q5_K_M, ongeveer 6.5 GB en genereren ongeveer 141 tokens per second. De pasvorm is krap.

Qwen3 Embedding— 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 9.3 GB en genereren ongeveer 48.3 tokens per second. De pasvorm is krap.

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