Oryx 34B TPS-rekenmachine

Open gewichten Tsinghua University,Tencent,Nanyang Technological University 34B parameters September 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

132 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

RTX A4500

20 GB · Q3_K_M · 21.5 tok/s

Snelste kaart

B200

99.7 tok/s · 180 GB

Welke GPU's kunnen draaien Oryx 34B?

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.

132 kaarten passen

Berekenen
Heeft Kwantificatie Past
99.7 tok/s

60–159 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 37.1 GB Q8_0 Comfortabel
99.7 tok/s

60–159 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 37.1 GB Q8_0 Comfortabel
79.6 tok/s

48–127 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 37.1 GB Q8_0 Comfortabel
79.6 tok/s

48–127 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 37.1 GB Q8_0 Comfortabel
63.6 tok/s

38–102 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 37.1 GB Q8_0 Comfortabel
60.9 tok/s

37–97 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 37.1 GB Q8_0 Comfortabel
60.9 tok/s

37–97 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 37.1 GB Q8_0 Comfortabel
58.3 tok/s

35–93 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 37.1 GB Q8_0 Comfortabel
51.7 tok/s

31–83 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 37.1 GB Q8_0 Comfortabel
51.7 tok/s

31–83 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 37.1 GB Q8_0 Comfortabel
51.7 tok/s

31–83 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 37.1 GB Q8_0 Comfortabel
49.1 tok/s

29–79 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 37.1 GB Q8_0 Comfortabel
41.9 tok/s

25–67 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 37.1 GB Q8_0 Comfortabel
41.9 tok/s

25–67 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 37.1 GB Q8_0 Comfortabel
41.9 tok/s

25–67 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 37.1 GB Q8_0 Comfortabel
41.9 tok/s

25–67 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 37.1 GB Q8_0 Comfortabel
41.9 tok/s

25–67 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 37.1 GB Q8_0 Comfortabel
41.6 tok/s

25–67 · lage vertrouwen

DRIVE A100 PROD NVIDIA 32 GB 1,870 GB/s May 2020 25.2 GB Q5_K_M Krap
41.6 tok/s

25–67 · lage vertrouwen

GRID A100A NVIDIA 32 GB 1,870 GB/s May 2020 25.2 GB Q5_K_M Krap
39.8 tok/s

24–64 · lage vertrouwen

GeForce RTX 5090 NVIDIA 32 GB 1,790 GB/s Jan 2025 25.2 GB Q5_K_M Krap
39.8 tok/s

24–64 · lage vertrouwen

GeForce RTX 5090 D NVIDIA 32 GB 1,790 GB/s Jan 2025 25.2 GB Q5_K_M Krap
38.5 tok/s

23–62 · lage vertrouwen

GeForce RTX 5090 D V2 NVIDIA 24 GB 1,340 GB/s Aug 2025 21.3 GB Q4_K_M Krap
35.1 tok/s

21–56 · lage vertrouwen

A30X NVIDIA 24 GB 1,220 GB/s Apr 2021 21.3 GB Q4_K_M Krap
31.9 tok/s

19–51 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 37.1 GB Q8_0 Comfortabel
31.9 tok/s

19–51 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 37.1 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
Tsinghua University,Tencent,Nanyang Technological University
Organisatietype
Academia,Industry,Academia
Land
China, Singapore
Gepubliceerd
19 September 2024
Auteurs
Zuyan Liu, Yuhao Dong, Ziwei Liu, Winston Hu, Jiwen Lu, Yongming Rao

Wat het doet

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

Domein
Multimodal, Vision, 3D modeling, Video, Language
Taak
Visual question answering, Video compression, Image captioning, Video description, Language modeling/generation
Basis model
Yi-1.5-34B

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
34B
Training gegevens
tokens
Batchgrootte
128

De trainingsrun

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

Training hardware
NVIDIA A800 SXM
Gebruikte chips
64
Stroomverbruik
50.4 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)
Training code
Open source

Apache 2.0 https://huggingface.co/THUdyh/Oryx-1.5-32B MIT license https://github.com/Oryx-mllm/Oryx

Hugging Face
THUdyh

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

Best performance on MLVU benchmark (long-form temporal understanding), MMBench and TextVQA (image understanding).

Record vertrouwen
Confident
Citaties
161

Bronnen

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

Referentie
Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien Oryx 34B

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 99.7 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 99.7 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 79.6 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 79.6 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 63.6 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 60.9 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 60.9 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 58.3 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 51.7 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 51.7 tok/s

De kleinste GPU's die nog steeds draaien Oryx 34B

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 RTX 4000 Ada Generation 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 12.1 tok/s
  2. 02 RTX 4000 SFF Ada Generation 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 9.4 tok/s
  3. 03 Radeon RX 7900 XT 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 21.0 tok/s
  4. 04 A10M 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 16.8 tok/s
  5. 05 GeForce RTX 3080 Ti 20 GB 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 25.6 tok/s
  6. 06 RTX A4500 20 GB · Heeft 17.3 GB · Q3_K_M · Krap 21.5 tok/s
  7. 07 Arc Pro B60 24 GB · Heeft 21.3 GB · Q4_K_M · Krap 8.5 tok/s
  8. 08 GeForce RTX 5090 D V2 24 GB · Heeft 21.3 GB · Q4_K_M · Krap 38.5 tok/s
  9. 09 RTX PRO 4000 Blackwell SFF 24 GB · Heeft 21.3 GB · Q4_K_M · Krap 12.4 tok/s
  10. 10 GeForce RTX 5090 Mobile 24 GB · Heeft 21.3 GB · Q4_K_M · Krap 25.8 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

RTX A4500

Geheugen nodig

17.3 GB

Snelste

99.7 tok/s

Oryx 34B bereikt een parameter telling van 34B. Dat valt binnen het bereik dat een serieuze desktopkaart kan aansteken zodra de gewichten zijn gecomprimeerd. Het aantal kaarten dat we volgen die het kunnen draaien: 132.

De kleinste kaart die het vasthoudt is RTX A4500, met een geheugen capaciteit van 20 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 21.5 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 99.7 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

Oryx 34B werd gepubliceerd door Tsinghua University,Tencent,Nanyang Technological University, in het land geregistreerd als China, tijdens September 2024. De categorie waaronder de uitgever valt is academia,Industry,Academia.

Het werkt in het domein van Multimodal, Vision, 3D modeling, Video, Language, en wordt geregistreerd als het uitvoeren van de taak van visual question answering, Video compression, Image captioning, Video description, Language modeling/generation.

Het startpunt was een bestaand basismodel, Yi-1.5-34B. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.

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 THUdyh.

Hoe snel het draait, en waarom

Over elke kaart die het kan draaien, ligt het midden van het bereik op 21.2 tokens per seconde. 103 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 inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor Oryx 34B

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

    Lees eerst de geheugenfiguur

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van Oryx 34B, ongeveer nodig 17.3 GB bij een compressie van Q3_K_M. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.

  2. 02

    Bepaal hoe lang je gesprekken duren

    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 Oryx 34B.

  3. 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 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.

  4. 04

    Rangschik op doorvoer in plaats van specificatielijst

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Oryx 34B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 99.7 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 Oryx 34B. 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

    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 Oryx 34B.

Antwoorden

Oryx 34B — veelgestelde vragen

01

Oryx 34B— wanneer is het uitgebracht?

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

02

Oryx 34B— waarvoor wordt het gebruikt?

Het werkt in het domein van Multimodal, Vision, 3D modeling, Video, Language, en wordt geregistreerd als het afhandelen van visual question answering, Video compression, Image captioning, Video description, Language modeling/generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

03

Oryx 34B— waar kan ik het downloaden?

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

04

Oryx 34B— 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. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 6.9 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

05

Oryx 34B— 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: 132. Dus een tweede card is zelden het antwoord hier.

06

Oryx 34B— waarom verschilt de quantisatie tussen kaarten?

Een grotere CARD houdt een nauwkeuriger kopie. Het aantal compressieniveaus dat gebruikt wordt op de CARDS die het draaien: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

07

Oryx 34B— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 60–159 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

08

Oryx 34B— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is RTX A4500, met een geheugen capaciteit van 20 GB. Het draait het model op een compressie van Q3_K_M ongeveer 17.3 GB, en produceert ongeveer 21.5 tokens per second. Het aantal kaarten dat het totaal kan draaien: 132.

09

Oryx 34B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 99.7 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: 103.

10

Oryx 34B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 17.3 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.

11

Oryx 34B— 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 Q4_K_M, ongeveer 21.3 GB en genereren ongeveer 38.5 tokens per second. De pasvorm is krap.

12

Oryx 34B— 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.

13

Oryx 34B— hoeveel parameters heeft het?

Het heeft een parameter telling van 34B. 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.

14

Oryx 34B— wie heeft het gemaakt?

Het werd gepubliceerd door Tsinghua University,Tencent,Nanyang Technological University, gebaseerd op China, een organisatie geclassificeerd als academia,Industry,Academia.

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