Llama-3.1-Minitron-4B TPS-rekenmachine

Open gewichten NVIDIA 4B parameters November 2024

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 · Q3_K_M · 24.9 tok/s

Snelste kaart

B200

847 tok/s · 180 GB

Welke GPU's kunnen draaien Llama-3.1-Minitron-4B?

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
847 tok/s 720–1,016	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.7 GB	Q8_0	Comfortabel
847 tok/s 720–1,016	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.7 GB	Q8_0	Comfortabel
676 tok/s 406–1,082 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Comfortabel
676 tok/s 406–1,082 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.7 GB	Q8_0	Comfortabel
541 tok/s 325–866 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.7 GB	Q8_0	Comfortabel
518 tok/s 440–621	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Comfortabel
518 tok/s 440–621	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.7 GB	Q8_0	Comfortabel
496 tok/s 297–793 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.7 GB	Q8_0	Comfortabel
440 tok/s 264–704 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Comfortabel
440 tok/s 264–704 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Comfortabel
440 tok/s 264–704 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.7 GB	Q8_0	Comfortabel
417 tok/s 355–501	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.7 GB	Q8_0	Comfortabel
356 tok/s 302–427	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Comfortabel
356 tok/s 302–427	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.7 GB	Q8_0	Comfortabel
356 tok/s 302–427	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Comfortabel
356 tok/s 302–427	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Comfortabel
356 tok/s 302–427	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.7 GB	Q8_0	Comfortabel
271 tok/s 163–433 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Comfortabel
271 tok/s 163–433 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.7 GB	Q8_0	Comfortabel
226 tok/s 135–361 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.7 GB	Q8_0	Comfortabel
221 tok/s 133–353 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.7 GB	Q8_0	Comfortabel
216 tok/s 184–259	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.7 GB	Q8_0	Comfortabel
216 tok/s 184–259	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.7 GB	Q8_0	Comfortabel
216 tok/s 184–259	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.7 GB	Q8_0	Comfortabel
216 tok/s 184–259	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.7 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: NVIDIA
Organisatietype: Industry
Land: United States of America
Gepubliceerd: 4 November 2024
Auteurs: Saurav Muralidharan, Sharath Turuvekere Sreenivas, Raviraj Joshi, Marcin Chochowski, Mostofa Patwary, Mohammad Shoeybi, Bryan Catanzaro, Jan Kautz, Pavlo Molchanov

Wat het doet

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

Domein: Language
Taak: Language modeling/generation, Chat, Question answering
Basis model: Llama 3.1-8B

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: 4B
Training gegevens: tokens

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Training hardware: NVIDIA A100 SXM4 80 GB
Gebruikte chips: 8
Stroomverbruik: 6.3 kW

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)

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

Bronnen

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

Referentie: Compact Language Models via Pruning and Knowledge Distillation
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien Llama-3.1-Minitron-4B

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 Llama-3.1-Minitron-4B

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

Tesla C1080

Geheugen nodig

3.4 GB

Snelste

847 tok/s

Llama-3.1-Minitron-4B bereikt een parameter telling van 4B. 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.

Het toegangspunt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 24.9 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 847 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

Llama-3.1-Minitron-4B werd gepubliceerd door NVIDIA, in het land geregistreerd als United States of America, tijdens November 2024. 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 language modeling/generation, Chat, Question answering.

Het bouwt voort op Llama 3.1-8B. 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.

Begrijpen van de snelheden

De helft van de kaarten die het vasthouden, beheren meer dan 35.2 tokens per second. Outright de leessnelheid overschrijden. 781 van hen

Doordat het dicht is, leest het alles per token, wat de reden is waarom de volgorde op snelheid hieronder zo nauwkeurig de volgorde op geheugendebandbreedte volgt.

Omdat de architectuur is vastgelegd, is de geheugen kolom afgeleid in plaats van geschat.

Stap voor stap

Hoe een GPU te kiezen voor Llama-3.1-Minitron-4B

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

De tabel vermeldt elke kaart die in staat is om te bevatten. Llama-3.1-Minitron-4B, ongeveer nodig 3.4 GB bij een compressie van Q3_K_M. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
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. Llama-3.1-Minitron-4B.
03

Kies hoe ver je het wilt comprimeren

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q3_K_M 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

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Llama-3.1-Minitron-4B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 847 tok/s
05

Controleer het geschiktheidsadvies voordat je koopt

Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van Llama-3.1-Minitron-4B. 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 Llama-3.1-Minitron-4B.

Antwoorden

Llama-3.1-Minitron-4B — veelgestelde vragen

Llama-3.1-Minitron-4B— 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 5.7 GB en genereren ongeveer 158 tokens per second. De fit is comfortabel.

Llama-3.1-Minitron-4B— 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 5.7 GB en genereren ongeveer 96.6 tokens per second. De fit is comfortabel.

Llama-3.1-Minitron-4B— 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 5.7 GB en genereren ongeveer 120 tokens per second. De fit is comfortabel.

Llama-3.1-Minitron-4B— 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 5.7 GB en genereren ongeveer 142 tokens per second. De fit is comfortabel.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— hoeveel parameters heeft het?

Het heeft een parameter telling van 4B. 4b Llama-3.1-Minitron-4B-Width-Base uses a model embedding size of 3072, 32 attention heads, MLP intermediate dimension of 9216, with 32 layers in total. Additionally, it uses Grouped-Query Attention (GQA) and Rotary Position Embeddings (RoPE). Architecture Type: Transformer Decoder (Auto-Regressive Language Model) Network Architecture: Llama-3.1. 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.

Llama-3.1-Minitron-4B— wie heeft het gemaakt?

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

Llama-3.1-Minitron-4B— wanneer is het uitgebracht?

Het werd gepubliceerd in November 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

Llama-3.1-Minitron-4B— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Chat, Question answering. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— 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.

Llama-3.1-Minitron-4B— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

Llama-3.1-Minitron-4B— 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: 720–1,016 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Llama-3.1-Minitron-4B— 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 Q3_K_M ongeveer 3.4 GB, en produceert ongeveer 24.9 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

Llama-3.1-Minitron-4B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 847 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: 781.

Llama-3.1-Minitron-4B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 3.4 GB bij een compressie van Q3_K_M, 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.

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