Octo-Base kalkulator TPS

Otwórz wagi University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind 93M parametry May 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

818 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla C1080

4 GB · Q8_0 · 396 tok/s

Najszybsza karta

B200

36,433 tok/s · 180 GB

Które GPU mogą uruchomić Octo-Base?

Ustaw wejścia, odczytaj odpowiedź.

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

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

818 karty pasują

Obliczanie
potrzeby Kwantyzacja Pasuje
36,433 tok/s

21,860–58,292 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Wygodny
36,433 tok/s

21,860–58,292 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Wygodny
29,092 tok/s

17,455–46,548 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Wygodny
29,092 tok/s

17,455–46,548 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Wygodny
23,267 tok/s

13,960–37,227 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
22,269 tok/s

13,362–35,631 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Wygodny
22,269 tok/s

13,362–35,631 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Wygodny
21,313 tok/s

12,788–34,101 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Wygodny
18,915 tok/s

11,349–30,265 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
18,915 tok/s

11,349–30,265 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
18,915 tok/s

11,349–30,265 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
17,943 tok/s

10,766–28,709 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
15,302 tok/s

9,181–24,483 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
15,302 tok/s

9,181–24,483 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Wygodny
15,302 tok/s

9,181–24,483 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
15,302 tok/s

9,181–24,483 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
15,302 tok/s

9,181–24,483 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
11,651 tok/s

6,991–18,642 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Wygodny
11,651 tok/s

6,991–18,642 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Wygodny
9,709 tok/s

5,826–15,535 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
9,502 tok/s

5,701–15,203 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
9,290 tok/s

5,574–14,865 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Wygodny
9,290 tok/s

5,574–14,865 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Wygodny
9,290 tok/s

5,574–14,865 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Wygodny
9,290 tok/s

5,574–14,865 · niska pewność

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 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
University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind
Typ organizacji
Academia,Academia,Academia,Industry
Kraj
United States of America, United Kingdom of Great Britain and Northern Ireland
Opublikowany
20 May 2024
Autorzy
Octo Model Team, Dibya Ghosh, Homer Walke, Karl Pertsch, Kevin Black, Oier Mees, Sudeep Dasari, Joey Hejna, Tobias Kreiman, Charles Xu, Jianlan Luo, You Liang Tan, Lawrence Yunliang Chen, Pannag Sanketi, Quan Vuong, Ted Xiao, Dorsa Sadigh, Chelsea Finn, Sergey Levine

Co to robi

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

Domena
Robotics
Zadanie
Robotic manipulation
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
93M

Source: https://arxiv.org/abs/2405.12213

Dane treningowe
tokens

Octo was pre-trained on 800k robot episodes from the Open X-Embodiment dataset. The authors describe this dataset as "heterogeneous," so it's unclear how to compute the size of the dataset. (Source: https://arxiv.org/abs/2405.12213)

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
5.9 × 10²⁰ FLOP

Training compute = peak FLOPs * utilization rate * training time ~= 128 TPUs * 275e12 FLOPs / TPU * 0.33 * 14 hours * 3600 s / hour ~= 585446400e12 FLOPs = 5.85e20 FLOPs, assuming utilization rate = 0.33.

Jak to zostało ustalone
Hardware

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 v4
Zastosowane chipy
128
Czas rzeczywisty
14 hours

“We trained two variants of our model: Octo-Small with a transformer backbone that mirrors the size of a ViT-S, andOcto-Base with a transformer backbone that mirrors the size of a ViT-B. The ViT-B was trained for 300k steps with a batch size of 2048 using a TPU v4-128 pod, which took 14 hours." (Source: https://arxiv.org/abs/2405.12213)

Pobór mocy
86.0 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

MIT license https://huggingface.co/rail-berkeley/octo-base https://github.com/octo-models/octo

Hugging Face
rail-berkeley

Jak jest klasyfikowane

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

Dlaczego to jest śledzone
SOTA improvement

Octo’s ability to control multiple robots out-of-the-box to the best openly available generalist robot policy, RT-1-X. RT-1-X had success rates of 0.2, ~0.38, and 0.6 on WidowX, UR5, and RT-1 Robot. Octo-Base outperformed RT-1-X on all tasks, with success rates of approximately 0.5, 0.7, and 0.8 on WidowX, UR5, and RT-1 Robot, respectively. (Source: https://arxiv.org/abs/2405.12213)

Zapisz pewność
Confident
Cytaty
1,244

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
Octo: An Open-Source Generalist Robot Policy
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Octo-Base

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 36,433 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 36,433 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 23,267 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 21,313 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 18,915 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 18,915 tok/s

Najmniejsze GPU, które nadal działają Octo-Base

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

  1. 01 GeForce RTX 4010 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 437 tok/s
  2. 02 RTX A400 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 437 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 583 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 874 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 155 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 455 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 512 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 455 tok/s
  9. 09 Arc A310 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 367 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 379 tok/s

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

0.8 GB

Najszybszy

36,433 tok/s

Octo-Base osiąga liczbę parametrów równą 93M. 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: 818.

Najmniejsza karta, która to utrzymuje, to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 396 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 36,433 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

Octo-Base został opublikowany przez University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind, w kraju zapisanym jako United States of America, podczas May 2024. Organizacja publikująca jest klasyfikowana jako academia,Academia,Academia,Industry.

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

Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi. Na Hugging Face jest opublikowane pod organizacją rail-berkeley.

Jak szybko działa i dlaczego

Mediana wyniku wynosi około 1,023.0 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 818 ich

To jest gęsty model, więc każdy parametr jest odczytywany dla każdego wyprodukowanego tokena. To sprawia, że prędkość śledzi przepustowość pamięci prawie dokładnie — karta z podwójną przepustowością generuje w przybliżeniu dwa razy szybciej.

Pamięć tutaj jest szacowana na podstawie rozmiaru, a nie obliczana z architektury, która nie jest zarejestrowana dla tego modelu — liczby są wskazujące, a nie dokładne.

Jak to zostało wytrenowane

Trening zajmował około 5.9 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. 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 Octo-Base

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

  1. 01

    Sprawdź, co potrzebuje przed wszystkim innym.

    Każda karta tutaj została sprawdzona pod kątem Octo-Base, potrzebując około 0.8 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.

  2. 02

    Ustaw długość kontekstu, z którą będziesz pracować

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

  3. 03

    Zdecyduj, ile kompresji zaakceptujesz

    Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q8_0 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.

  4. 04

    Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

    Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla Octo-Base. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 36,433 tok/s

  5. 05

    Przeczytaj kolumnę dopasowania jako ostatnią

    Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku Octo-Base. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.

  6. 06

    Otwórz kartę, na którą się zdecydowałeś

    Każda strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza Octo-Base.

Odpowiedzi

Octo-Base — częste pytania

01

Octo-Base— kiedy to zostało wydane?

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

02

Octo-Base— do czego to służy?

Działa w dziedzinie Robotics, 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.

03

Octo-Base— Gdzie mogę to pobrać?

Jego wagi są publikowane na Hugging Face, pod organizacją rail-berkeley. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.

04

Octo-Base— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 5.9 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. 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.

05

Octo-Base— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Można go podzielić między kartą a pamięcią systemową, ale w ten sposób generuje się boleśnie powoli. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

06

Octo-Base— czy dwa GPU uruchomią to szybciej?

Dwie karty kupują pamięć zamiast szybkości, co ma znaczenie tylko wtedy, gdy jedna karta nie może jej pomieścić. Liczba, która może: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

07

Octo-Base— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

08

Octo-Base— Jak dokładne są te szacunki prędkości?

To są szacunki z rzeczywistymi marginesami błędu, a każdy z nich mógłby rozsądnie wypaść gdziekolwiek w swoim opublikowanym zakresie w zależności od używanego uruchomienia. Najszybszy wynik tutaj: 21,860–58,292 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

09

Octo-Base— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Tesla C1080, o pojemności pamięci 4 GB. Uruchamia model przy kompresji Q8_0 używając około 0.8 GB, i produkuje w przybliżeniu 396 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

10

Octo-Base— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 36,433 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 818.

11

Octo-Base— Ile VRAM-u potrzebuje?

Potrzebuje około 0.8 GB przy kompresji Q8_0, 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.

12

Octo-Base— czy mogę uruchomić to na GPU trzymając 8 GB?

Tak. Karta CMP 170HX 8 GB, trzymanie 8 GB, uruchamia go przy kompresji Q8_0, używając około 0.8 GB i generując w przybliżeniu 6,786 tokenów na sekundę. Dopasowanie jest komfortowe.

13

Octo-Base— 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 0.8 GB i generując w przybliżeniu 4,155 tokenów na sekundę. Dopasowanie jest komfortowe.

14

Octo-Base— 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 0.8 GB i generując w przybliżeniu 5,146 tokenów na sekundę. Dopasowanie jest komfortowe.

15

Octo-Base— 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 0.8 GB i generując w przybliżeniu 6,102 tokenów na sekundę. Dopasowanie jest komfortowe.

16

Octo-Base— 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.

17

Octo-Base— ile ma parametrów?

Ma liczbę parametrów równą 93M. Source: https://arxiv.org/abs/2405.12213. 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.

18

Octo-Base— kto to stworzył?

Zostało opublikowane przez University of California (UC) Berkeley,Stanford University,Carnegie Mellon University (CMU),DeepMind, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia,Academia,Industry.

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