DataGemma kalkulator TPS

Otwórz wagi Google 27.2B parametry September 2024

Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość jest oszacowaniem dla pojedynczego żądania, obliczonym na podstawie przepustowości pamięci karty i rozmiaru modelu po skompresowaniu..

Obliczone dla tego modelu

132 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

RTX A4500

20 GB · Q4_K_M · 23.0 tok/s

Najszybsza karta

B200

125 tok/s · 180 GB

Które GPU mogą uruchomić DataGemma?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Minimalna jakość

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

Szukaj kart

Pamięć karty

Pokaż również karty, które nie mogą tego uruchomić.

132 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
125 tok/s 106–149	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	30.3 GB	Q8_0	Wygodny
125 tok/s 106–149	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	30.3 GB	Q8_0	Wygodny
99.5 tok/s 60–159 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	30.3 GB	Q8_0	Wygodny
99.5 tok/s 60–159 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	30.3 GB	Q8_0	Wygodny
79.6 tok/s 48–127 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	30.3 GB	Q8_0	Wygodny
76.1 tok/s 65–91	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.3 GB	Q8_0	Wygodny
76.1 tok/s 65–91	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.3 GB	Q8_0	Wygodny
72.9 tok/s 44–117 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	30.3 GB	Q8_0	Wygodny
64.7 tok/s 39–103 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Wygodny
64.7 tok/s 39–103 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Wygodny
64.7 tok/s 39–103 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	30.3 GB	Q8_0	Wygodny
61.4 tok/s 52–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	30.3 GB	Q8_0	Wygodny
52.3 tok/s 44–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Wygodny
52.3 tok/s 44–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	30.3 GB	Q8_0	Wygodny
52.3 tok/s 44–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Wygodny
52.3 tok/s 44–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Wygodny
52.3 tok/s 44–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	30.3 GB	Q8_0	Wygodny
42.3 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.9 GB	Q6_K	Wygodny
42.3 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.9 GB	Q6_K	Wygodny
40.5 tok/s 34–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.9 GB	Q6_K	Wygodny
40.5 tok/s 34–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.9 GB	Q6_K	Wygodny
39.8 tok/s 24–64 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	30.3 GB	Q8_0	Wygodny
39.8 tok/s 24–64 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	30.3 GB	Q8_0	Wygodny
37.3 tok/s 32–45	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.8 GB	Q5_K_M	Wąski
33.9 tok/s 29–41	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.8 GB	Q5_K_M	Wąski

Prędkości są szacunkami dla pojedynczego zapytania — jednej konwersacji na raz — obliczonymi na podstawie przepustowości pamięci, rozmiaru MODELu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu uruchamiania inference i jego wersji. Wartości publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..

Na nagranie

Pełna specyfikacja

Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..

Pochodzenie

Kto zbudował ten model, gdzie i kiedy został opublikowany.

Organizacja: Google
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 12 September 2024
Autorzy: Prashanth Radhakrishnan, Jennifer Chen, Bo Xu, Prem Ramaswami, Hannah Pho, Adriana Olmos, James Manyika, R. V. Guha

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Language
Zadanie: Language modeling/generation
Model bazowy: Gemma 2 27B

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 27.2B
Dane treningowe: tokens

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: Google TPU v5e

Dostępność

Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.

Wagi: Open — downloadable
Dostęp do modelu: Open weights (restricted use)

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Zapisz pewność: Confident

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Knowing When to Ask -- Bridging Large Language Models and Data
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają DataGemma

Uszeregowany według szacowanej liczby tokenów na sekundę, najnowsza karta na pierwszym miejscu, gdy prędkości są równe. Ponieważ generacja jest ograniczona przez pamięć, to uporządkowanie podąża za przepustowością, a nie za jakimkolwiek benchmarkiem gier..

Najmniejsze GPU, które nadal działają DataGemma

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Strona sprzętowa

Minimalna karta

RTX A4500

Pamięć potrzebna

17.6 GB

Najszybszy

125 tok/s

DataGemma osiąga liczbę parametrów równą 27.2B. To ląduje w zakresie, który może obsłużyć poważna karta stacjonarna, gdy wagi są skompresowane. Liczba kart, które śledzimy, które mogą to uruchomić: 132.

Na niskim końcu obsługiwane jest przez RTX A4500, o pojemności pamięci 20 GB, uruchomienie go przy kompresji Q4_K_M i produkując około 23.0 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 125 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

DataGemma został opublikowany przez Google, w kraju zapisanym jako United States of America, podczas September 2024. Organizacja publikująca jest klasyfikowana jako industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.

Zamiast być trenowanym od podstaw, pochodzi z Gemma 2 27B. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć.

Czytanie wskaźników przepustowości

Połowa kart, które go trzymają, osiąga więcej niż 21.5 tokenów na sekundę 112 ich

Każda waga uczestniczy w każdym tokenie tutaj, więc szerokość pasma jest całą historią: poniższa lista to w rzeczywistości ranking przepustowości pamięci.

Jego układ uwagi jest w naszej bazie danych, więc wartości pamięci są obliczane dokładnie, a nie przybliżone.

Krok po kroku

Jak wybrać GPU do DataGemma

Tabela powyżej oceniła już każdą kartę, dla której posiadamy specyfikacje, w stosunku do tego modelu. Dotarcie do odpowiedzi wymaga sześciu kroków..

01

Sprawdź, co potrzebuje przed wszystkim innym.

Tabela zawiera każdą kartę, która jest w stanie pomieścić DataGemma, potrzebując około 17.6 GB przy kompresji Q4_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Dopasuj kontekst do swojego rzeczywistego użycia

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla DataGemma.
03

Wybierz, jak daleko chcesz to skompresować.

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q4_K_M na najmniejszej karcie, która się mieści. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.
04

Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla DataGemma. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 125 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku DataGemma. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.
06

Sprawdź kartę z drugiej strony

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o DataGemma.

Odpowiedzi

DataGemma — częste pytania

DataGemma— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

DataGemma— Gdzie mogę to pobrać?

Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.

DataGemma— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Tylko przez odciążenie, co zwykle jest fałszywą oszczędnością: część trzymana w pamięci systemowej spowalnia cały proces. Najbliższy brak, który obliczamy, jest za mały o 3.2 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

DataGemma— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 132. Więc druga karta rzadko jest odpowiedzią tutaj.

DataGemma— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

DataGemma— Jak dokładne są te szacunki prędkości?

Każda wartość pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów porównawczych, dlatego każda jest publikowana jako zakres, a nie pojedyncza liczba. Jeden przykład: 106–149 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

DataGemma— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to RTX A4500, o pojemności pamięci 20 GB. Uruchamia model przy kompresji Q4_K_M używając około 17.6 GB, i produkuje w przybliżeniu 23.0 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 132.

DataGemma— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 125 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 112.

DataGemma— Ile VRAM-u potrzebuje?

Potrzebuje około 17.6 GB przy kompresji Q4_K_M, który jest najmniejszą kartą, która to uruchamia. Mniej kompresji potrzebuje więcej: liczby w kolumnie pamięci powyżej są przeliczane dla każdej karty, ponieważ każda z nich trzyma wersję o najmniejszej kompresji, jaką może.

DataGemma— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q5_K_M, używając około 20.8 GB i generując w przybliżeniu 37.3 tokenów na sekundę. Dopasowanie jest ciasne.

DataGemma— czy jest open weight?

Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.

DataGemma— ile ma parametrów?

Ma liczbę parametrów równą 27.2B. 27.2B. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.

DataGemma— kto to stworzył?

Zostało opublikowane przez Google, oparty na United States of America, organizacja sklasyfikowana jako industry.

DataGemma— kiedy to zostało wydane?

Zostało opublikowane w September 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 28 November 2025

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.

Wszystkie modele AI