OpenVLA kalkulator TPS

Otwórz wagi Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence 7.2B parametry June 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

589 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla K20c

5 GB · Q3_K_M · 28.1 tok/s

Najszybsza karta

B200

471 tok/s · 180 GB

Które GPU mogą uruchomić OpenVLA?

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.

589 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
471 tok/s 283–754 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	8.4 GB	Q8_0	Wygodny
471 tok/s 283–754 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	8.4 GB	Q8_0	Wygodny
376 tok/s 226–602 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	8.4 GB	Q8_0	Wygodny
376 tok/s 226–602 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	8.4 GB	Q8_0	Wygodny
301 tok/s 181–482 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	8.4 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.4 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	8.4 GB	Q8_0	Wygodny
276 tok/s 165–441 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	8.4 GB	Q8_0	Wygodny
245 tok/s 147–392 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	8.4 GB	Q8_0	Wygodny
245 tok/s 147–392 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	8.4 GB	Q8_0	Wygodny
245 tok/s 147–392 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	8.4 GB	Q8_0	Wygodny
232 tok/s 139–371 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	8.4 GB	Q8_0	Wygodny
198 tok/s 119–317 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.4 GB	Q8_0	Wygodny
198 tok/s 119–317 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	8.4 GB	Q8_0	Wygodny
198 tok/s 119–317 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	8.4 GB	Q8_0	Wygodny
198 tok/s 119–317 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	8.4 GB	Q8_0	Wygodny
198 tok/s 119–317 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	8.4 GB	Q8_0	Wygodny
151 tok/s 90–241 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	8.4 GB	Q8_0	Wygodny
151 tok/s 90–241 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	8.4 GB	Q8_0	Wygodny
128 tok/s 77–204 · niska pewność	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.7 GB	Q6_K	Wąski
126 tok/s 75–201 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	8.4 GB	Q8_0	Wygodny
123 tok/s 74–197 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	8.4 GB	Q8_0	Wygodny
120 tok/s 72–192 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	8.4 GB	Q8_0	Wygodny
120 tok/s 72–192 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	8.4 GB	Q8_0	Wygodny
120 tok/s 72–192 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	8.4 GB	Q8_0	Wygodny

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: Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence
Typ organizacji: Academia,Academia,Industry,Industry,Academia,Industry
Kraj: United States of America
Opublikowany: 13 June 2024
Autorzy: Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti, Ted Xiao, Ashwin Balakrishna, Suraj Nair, Rafael Rafailov, Ethan Foster, Grace Lam, Pannag Sanketi, Quan Vuong, Thomas Kollar, Benjamin Burchfiel, Russ Tedrake, Dorsa Sadigh, Sergey Levine, Percy Liang, Chelsea Finn

Co to robi

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

Domena: Robotics, Vision, Language
Zadanie: Robotic manipulation
Podejście: Supervised
Model bazowy: Llama 2-7B
Format numeryczny: BF16

Rozmiar

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

parametry: 7.2B
Dane treningowe: tokens
Epoki: 27
Rozmiar wsadu: 2,048

Obliczenia treningowe

Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.

Obliczenia treningowe: 1.1 × 10²³ FLOP
Jak to zostało ustalone: Hardware
Dostosowywanie obliczeń: 9.7 × 10²¹ FLOP

Przebieg szkolenia

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

Sprzęt do trenowania: NVIDIA A100
Zastosowane chipy: 64
Czas rzeczywisty: 336 hours (14 days)
Pobór mocy: 50.5 kW

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 (unrestricted)
Kod treningowy: Open source

Jak jest klasyfikowane

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

Prawdopodobnie powyżej 10²³ FLOP: Yes
Dlaczego to jest śledzone: SOTA improvement
Zapisz pewność: Confident
Cytaty: 2,123

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: OpenVLA: An Open-Source Vision-Language-Action Mode
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają OpenVLA

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 OpenVLA

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

Co oznaczają liczby

Strona sprzętowa

Minimalna karta

Tesla K20c

Pamięć potrzebna

4.2 GB

Najszybszy

471 tok/s

OpenVLA osiąga liczbę parametrów równą 7.2B. To jest na tyle małe, że sprzęt rzadko stanowi przeszkodę, w tym na kartach sprzed kilku lat. Liczba kart, które śledzimy, które mogą go uruchomić: 589.

Na niskim końcu obsługiwane jest przez Tesla K20c, o pojemności pamięci 5 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 28.1 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 471 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

OpenVLA został opublikowany przez Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence, w kraju zapisanym jako United States of America, podczas June 2024. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Industry,Industry,Academia,Industry.

Działa w dziedzinie Robotics, Vision, Language, i jest zapisany jako wykonujący zadanie robotic manipulation.

Jego punktem wyjścia był istniejący model podstawowy, Llama 2-7B. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.

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

Co decyduje o szybkości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 25.5 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 559 ich

Będąc gęstym, odczytuje każdą swoją część po tokenie, dlatego poniższe uporządkowanie według szybkości tak ściśle pokrywa się z uporządkowaniem według przepustowości pamięci.

Bez układu uwagi na rekordzie, kolumna pamięci jest przybliżeniem. Jest wystarczająco bliska, aby wybrać sprzęt, i najmniej wiarygodna przy długim kontekście.

Jak to zostało wytrenowane

Wytworzenie tego wymagało arytmetyki sumującej około 1.1 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: sOTA improvement.

Krok po kroku

Jak wybrać GPU do OpenVLA

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 OpenVLA, potrzebując około 4.2 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Zdecyduj, jak długo trwają twoje rozmowy

Rozmowa zajmuje pamięć również, i rośnie w miarę trwania. Ustaw suwak na długość, której się spodziewasz, ponieważ przy długim kontekście karta, która łatwo obsługuje krótkie pytania, może zostać odrzucona przez OpenVLA.
03

Ustal minimalną jakość

Kompresja to to, co sprawia, że model mieści się w mniejszych KARTACH, kosztem pewnej dokładności., osiągnięcie kompresji Q3_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

Oceń według przepustowości, a nie kart specyfikacji

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla OpenVLA. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 471 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku OpenVLA. 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

Otwórz kartę, na którą się zdecydowałeś

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

Odpowiedzi

OpenVLA — częste pytania

OpenVLA— 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.

OpenVLA— 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: 283–754 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

OpenVLA— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Tesla K20c, o pojemności pamięci 5 GB. Uruchamia model przy kompresji Q3_K_M używając około 4.2 GB, i produkuje w przybliżeniu 28.1 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 589.

OpenVLA— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 471 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 559.

OpenVLA— Ile VRAM-u potrzebuje?

Potrzebuje około 4.2 GB przy kompresji Q3_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.

OpenVLA— czy mogę uruchomić to na GPU trzymając 8 GB?

Tak. Karta CMP 170HX 8 GB, trzymanie 8 GB, uruchamia go przy kompresji Q6_K, używając około 6.7 GB i generując w przybliżeniu 128 tokenów na sekundę. Dopasowanie jest ciasne.

OpenVLA— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q8_0, używając około 8.4 GB i generując w przybliżeniu 53.8 tokenów na sekundę. Dopasowanie jest komfortowe.

OpenVLA— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q8_0, używając około 8.4 GB i generując w przybliżeniu 66.6 tokenów na sekundę. Dopasowanie jest komfortowe.

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

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q8_0, używając około 8.4 GB i generując w przybliżeniu 79.0 tokenów na sekundę. Dopasowanie jest komfortowe.

OpenVLA— 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.

OpenVLA— ile ma parametrów?

Ma liczbę parametrów równą 7.2B. Based on a Prismatic-7B VLM backbone, which itself is comprised of 600M parameter vision encoder (DinoV2 + SigLIP) plus Llama-2 7B. Table 1 indicates 7.1881 billion trainable parameters. 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.

OpenVLA— kto to stworzył?

Zostało opublikowane przez Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia,Industry,Industry,Academia,Industry.

OpenVLA— kiedy to zostało wydane?

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

OpenVLA— do czego to służy?

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

OpenVLA— Gdzie mogę to pobrać?

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

OpenVLA— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.1 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.

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

Częściowo. Warstwy, które nie mieszczą się w GPU VRAM, znajdują się w pamięci systemu i działają z ułamkową prędkością, więc model, który jest w dużej mierze przeniesiony, rzadko jest wart używania. Najbliższy brak, który obliczamy, jest za mały o 1.4 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

OpenVLA— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 589. Więc druga karta rzadko jest odpowiedzią tutaj.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 25 May 2026

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