MetaMath 70B kalkulator TPS

Otwórz wagi University of Cambridge,Southern University of Science and Technology (SUSTech),Hong Kong University of Science and Technology (HKUST),Huawei Noah's Ark Lab,Alan Turing Institute,Max Planck Institute for Intelligent Systems 70B 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

61 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

A100 PCIe 40 GB

40 GB · Q3_K_M · 25.5 tok/s

Najszybsza karta

B200

48.4 tok/s · 180 GB

Które GPU mogą uruchomić MetaMath 70B?

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.

61 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
48.4 tok/s 29–77 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	75.6 GB	Q8_0	Wygodny
48.4 tok/s 29–77 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	75.6 GB	Q8_0	Wygodny
38.7 tok/s 23–62 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	75.6 GB	Q8_0	Wygodny
38.7 tok/s 23–62 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	75.6 GB	Q8_0	Wygodny
30.9 tok/s 19–49 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	75.6 GB	Q8_0	Wygodny
29.6 tok/s 18–47 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	75.6 GB	Q8_0	Wygodny
29.6 tok/s 18–47 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	75.6 GB	Q8_0	Wygodny
29.5 tok/s 18–47 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	59.3 GB	Q6_K	Wygodny
29.5 tok/s 18–47 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	59.3 GB	Q6_K	Wygodny
28.3 tok/s 17–45 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	75.6 GB	Q8_0	Wygodny
26.1 tok/s 16–42 · niska pewność	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	43.0 GB	Q4_K_M	Wąski
25.5 tok/s 15–41 · niska pewność	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.9 GB	Q3_K_M	Wąski
25.5 tok/s 15–41 · niska pewność	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.9 GB	Q3_K_M	Wąski
25.5 tok/s 15–41 · niska pewność	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.9 GB	Q3_K_M	Wąski
25.1 tok/s 15–40 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Wygodny
25.1 tok/s 15–40 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Wygodny
25.1 tok/s 15–40 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	75.6 GB	Q8_0	Wygodny
23.8 tok/s 14–38 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	75.6 GB	Q8_0	Wąski
21.8 tok/s 13–35 · niska pewność	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	51.2 GB	Q5_K_M	Wąski
20.3 tok/s 12–33 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Wąski
20.3 tok/s 12–33 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Wąski
20.3 tok/s 12–33 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	75.6 GB	Q8_0	Wąski
18.7 tok/s 11–30 · niska pewność	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	43.0 GB	Q4_K_M	Wąski
17.9 tok/s 11–29 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	59.3 GB	Q6_K	Wygodny
17.9 tok/s 11–29 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	59.3 GB	Q6_K	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 Cambridge,Southern University of Science and Technology (SUSTech),Hong Kong University of Science and Technology (HKUST),Huawei Noah's Ark Lab,Alan Turing Institute,Max Planck Institute for Intelligent Systems
Typ organizacji: Academia,Academia,Academia,Industry,Government,Academia
Kraj: United Kingdom of Great Britain and Northern Ireland, China, Hong Kong, Germany
Opublikowany: 3 May 2024
Autorzy: Longhui Yu, Weisen Jiang, Han Shi, Jincheng Yu, Zhengying Liu, Yu Zhang, James T. Kwok, Zhenguo Li, Adrian Weller, Weiyang Liu

Co to robi

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

Domena: Language
Zadanie: Quantitative reasoning
Model bazowy: Llama 2-70B

Rozmiar

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

parametry: 70B
Dane treningowe: tokens
Epoki: 3

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.

Jak to zostało ustalone: Operation counting
Dostosowywanie obliczeń: 1.3 × 10²⁰ FLOP

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: Likely

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: MetaMath: Bootstrap Your Own Mathematical Questions for Large Language Models
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają MetaMath 70B

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 MetaMath 70B

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

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

A100 PCIe 40 GB

Pamięć potrzebna

34.9 GB

Najszybszy

48.4 tok/s

MetaMath 70B osiąga liczbę parametrów równą 70B. To stawia to powyżej sprzętu konsumenckiego, w zakresie, gdzie karta jest kupowana do tego celu, zamiast przystosowywana do niego. Liczba kart, które śledzimy, które mogą to pomieścić: 61.

Najmniejsza karta, która to utrzymuje, to A100 PCIe 40 GB, o pojemności pamięci 40 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 25.5 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 48.4 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

MetaMath 70B został opublikowany przez University of Cambridge,Southern University of Science and Technology (SUSTech),Hong Kong University of Science and Technology (HKUST),Huawei Noah's Ark Lab,Alan Turing Institute,Max Planck Institute for Intelligent Systems, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas May 2024. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Academia,Industry,Government,Academia.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie quantitative reasoning.

Opiera się na Llama 2-70B. To jest zwykły sposób produkcji wyspecjalizowanego modelu.

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.

Zrozumienie prędkości

Połowa kart, które go trzymają, osiąga więcej niż 17.1 tokenów na sekundę 50 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.

Krok po kroku

Jak wybrać GPU do MetaMath 70B

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

01

Przeczytaj najpierw liczbę pamięci

Każda karta tutaj została sprawdzona pod kątem MetaMath 70B, potrzebując około 34.9 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
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 MetaMath 70B.
03

Ustal minimalną jakość

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

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla MetaMath 70B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 48.4 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku MetaMath 70B. 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

Każda nazwa karty łączy się z jej własną stroną, która wykonuje tę samą kalkulację w całym katalogu modelu. Kartę zazwyczaj kupuje się dla więcej niż jednego modelu, więc warto rzucić okiem przed zakupem na MetaMath 70B.

Odpowiedzi

MetaMath 70B — częste pytania

MetaMath 70B— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 61. Więc druga karta rzadko jest odpowiedzią tutaj.

MetaMath 70B— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 5. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

MetaMath 70B— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 29–77 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

MetaMath 70B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to A100 PCIe 40 GB, o pojemności pamięci 40 GB. Uruchamia model przy kompresji Q3_K_M używając około 34.9 GB, i produkuje w przybliżeniu 25.5 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 61.

MetaMath 70B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 48.4 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 50.

MetaMath 70B— Ile VRAM-u potrzebuje?

Potrzebuje około 34.9 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.

MetaMath 70B— 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.

MetaMath 70B— ile ma parametrów?

Ma liczbę parametrów równą 70B. 70B. 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.

MetaMath 70B— kto to stworzył?

Zostało opublikowane przez University of Cambridge,Southern University of Science and Technology (SUSTech),Hong Kong University of Science and Technology (HKUST),Huawei Noah's Ark Lab,Alan Turing Institute,Max Planck Institute for Intelligent Systems, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia,Academia,Academia,Industry,Government,Academia.

MetaMath 70B— 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.

MetaMath 70B— do czego to służy?

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

MetaMath 70B— Gdzie mogę to pobrać?

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

MetaMath 70B— 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. Najbliższy brak, który obliczamy, jest za mały o 14.2 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

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