GRITLM 8x7B kalkulator TPS

Otwórz wagi Contextual AI,The University of Hong Kong,Microsoft 46.7B parametry April 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

93 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Radeon PRO V710

28 GB · Q3_K_M · 9.6 tok/s

Najszybsza karta

B200

72.6 tok/s · 180 GB

Które GPU mogą uruchomić GRITLM 8x7B?

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.

93 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
72.6 tok/s 44–116 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	50.7 GB	Q8_0	Wygodny
72.6 tok/s 44–116 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	50.7 GB	Q8_0	Wygodny
57.9 tok/s 35–93 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	50.7 GB	Q8_0	Wygodny
57.9 tok/s 35–93 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	50.7 GB	Q8_0	Wygodny
46.3 tok/s 28–74 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	50.7 GB	Q8_0	Wygodny
44.4 tok/s 27–71 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	50.7 GB	Q8_0	Wygodny
44.4 tok/s 27–71 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	50.7 GB	Q8_0	Wygodny
42.4 tok/s 25–68 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	50.7 GB	Q8_0	Wygodny
41.6 tok/s 25–67 · niska pewność	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	26.2 GB	IQ4_XS	Wąski
41.6 tok/s 25–67 · niska pewność	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	26.2 GB	IQ4_XS	Wąski
39.9 tok/s 24–64 · niska pewność	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	26.2 GB	IQ4_XS	Wąski
39.9 tok/s 24–64 · niska pewność	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	26.2 GB	IQ4_XS	Wąski
37.7 tok/s 23–60 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Wygodny
37.7 tok/s 23–60 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Wygodny
37.7 tok/s 23–60 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	50.7 GB	Q8_0	Wygodny
35.7 tok/s 21–57 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	50.7 GB	Q8_0	Wygodny
30.5 tok/s 18–49 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Wygodny
30.5 tok/s 18–49 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	50.7 GB	Q8_0	Wygodny
30.5 tok/s 18–49 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Wygodny
30.5 tok/s 18–49 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Wygodny
30.5 tok/s 18–49 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	50.7 GB	Q8_0	Wygodny
25.3 tok/s 15–40 · niska pewność	A100 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Jun 2020	34.4 GB	Q5_K_M	Wąski
25.3 tok/s 15–40 · niska pewność	A100 SXM4 40 GB NVIDIA	40 GB	1,560 GB/s	May 2020	34.4 GB	Q5_K_M	Wąski
25.3 tok/s 15–40 · niska pewność	A800 PCIe 40 GB NVIDIA	40 GB	1,560 GB/s	Nov 2022	34.4 GB	Q5_K_M	Wąski
25.2 tok/s 15–40 · niska pewność	Tesla PG500-216 NVIDIA	32 GB	1,130 GB/s	Nov 2019	26.2 GB	IQ4_XS	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: Contextual AI,The University of Hong Kong,Microsoft
Typ organizacji: Industry,Academia,Industry
Kraj: United States of America, Hong Kong
Opublikowany: 17 April 2024
Autorzy: Niklas Muennighoff, Hongjin Su, Liang Wang, Nan Yang, Furu Wei, Tao Yu, Amanpreet Singh, Douwe Kiela

Co to robi

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

Domena: Language
Zadanie: Language modeling/generation, Question answering, Quantitative reasoning
Model bazowy: Mixtral 8x7B
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: 46.7B
Dane treningowe: tokens

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: Hardware
Dostosowywanie obliczeń: 2.2 × 10²² 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 H100 SXM5 80GB
Zastosowane chipy: 8
Czas-chip: 20,480
Czas rzeczywisty: 80 hours
Pobór mocy: 11.1 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.

Zapisz pewność: Confident

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Generative Representational Instruction Tuning
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają GRITLM 8x7B

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 GRITLM 8x7B

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

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Radeon PRO V710

Pamięć potrzebna

23.5 GB

Najszybszy

72.6 tok/s

GRITLM 8x7B osiąga liczbę parametrów równą 46.7B. To ląduje w zakresie, który może obsłużyć poważna karta stacjonarna, gdy wagi są skompresowane. Liczba kart, które śledzimy, które mogą to uruchomić: 93.

Najmniejszy sprzęt, który działa, to Radeon PRO V710, o pojemności pamięci 28 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 9.6 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 72.6 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

GRITLM 8x7B został opublikowany przez Contextual AI,The University of Hong Kong,Microsoft, w kraju zapisanym jako United States of America, podczas April 2024. Organizacja publikująca jest klasyfikowana jako industry,Academia,Industry.

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

Zamiast być trenowanym od podstaw, pochodzi z Mixtral 8x7B. 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.

Jak szybko działa i dlaczego

Połowa kart, które go trzymają, osiąga więcej niż 18.3 tokenów na sekundę 74 ich

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

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 GRITLM 8x7B

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.

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu GRITLM 8x7B, potrzebując około 23.5 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 GRITLM 8x7B.
03

Zdecyduj, ile kompresji zaakceptujesz

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

Sortuj według prędkości

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla GRITLM 8x7B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 72.6 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku GRITLM 8x7B. 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 GRITLM 8x7B.

Odpowiedzi

GRITLM 8x7B — częste pytania

GRITLM 8x7B— kiedy to zostało wydane?

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

GRITLM 8x7B— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Question answering, Quantitative reasoning. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

GRITLM 8x7B— Gdzie mogę to pobrać?

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

GRITLM 8x7B— 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 7.4 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

GRITLM 8x7B— 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: 93. Więc druga karta rzadko jest odpowiedzią tutaj.

GRITLM 8x7B— 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.

GRITLM 8x7B— 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: 44–116 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

GRITLM 8x7B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Radeon PRO V710, o pojemności pamięci 28 GB. Uruchamia model przy kompresji Q3_K_M używając około 23.5 GB, i produkuje w przybliżeniu 9.6 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 93.

GRITLM 8x7B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 72.6 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 74.

GRITLM 8x7B— Ile VRAM-u potrzebuje?

Potrzebuje około 23.5 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.

GRITLM 8x7B— 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.

GRITLM 8x7B— ile ma parametrów?

Ma liczbę parametrów równą 46.7B. 46.7B. 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.

GRITLM 8x7B— kto to stworzył?

Zostało opublikowane przez Contextual AI,The University of Hong Kong,Microsoft, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Industry.

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