FunSearch kalkulator TPS

Otwórz wagi Google DeepMind 15B parametry December 2023

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

306 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

P102-101

10 GB · IQ4_XS · 18.9 tok/s

Najszybsza karta

B200

226 tok/s · 180 GB

Które GPU mogą uruchomić FunSearch?

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.

306 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
226 tok/s 136–361 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.8 GB	Q8_0	Wygodny
226 tok/s 136–361 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.8 GB	Q8_0	Wygodny
180 tok/s 108–289 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Wygodny
180 tok/s 108–289 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Wygodny
144 tok/s 87–231 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
138 tok/s 83–221 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Wygodny
138 tok/s 83–221 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Wygodny
132 tok/s 79–211 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
111 tok/s 67–178 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
108 tok/s 65–173 · niska pewność	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	IQ4_XS	Wąski
94.9 tok/s 57–152 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
72.2 tok/s 43–116 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Wygodny
72.2 tok/s 43–116 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Wygodny
60.2 tok/s 36–96 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
59.5 tok/s 36–95 · niska pewność	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.8 GB	Q4_K_M	Wąski
59.5 tok/s 36–95 · niska pewność	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.8 GB	Q4_K_M	Wąski
58.9 tok/s 35–94 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
57.6 tok/s 35–92 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.8 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: Google DeepMind
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 14 December 2023
Autorzy: Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Matej Balog, M. Pawan Kumar, Emilien Dupont, Francisco J. R. Ruiz, Jordan S. Ellenberg, Pengming Wang, Omar Fawzi, Pushmeet Kohli, Alhussein Fawzi

Co to robi

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

Domena: Language, Search
Zadanie: Code generation
Model bazowy: PaLM 2

Rozmiar

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

parametry: 15B
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.

Obliczenia treningowe: 3.9 × 10²³ FLOP
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.

Czas rzeczywisty: 48 hours

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: Unreleased

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,Historical significance
Zapisz pewność: Speculative
Cytaty: 593

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Mathematical discoveries from program search with large language models
Ostatnio zaktualizowane: 1 January 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają FunSearch

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 FunSearch

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

Co oznaczają liczby

Wymagania sprzętowe w praktyce

Minimalna karta

P102-101

Pamięć potrzebna

8.9 GB

Najszybszy

226 tok/s

FunSearch osiąga liczbę parametrów równą 15B. 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: 306.

Punkt wejścia to P102-101, o pojemności pamięci 10 GB, uruchomienie go przy kompresji IQ4_XS i produkując około 18.9 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 226 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

FunSearch został opublikowany przez Google DeepMind, w kraju zapisanym jako United States of America, podczas December 2023. Wychodzi z organizacji zaklasyfikowanej jako industry.

Działa w dziedzinie Language, Search, i jest zapisany jako wykonujący zadanie code generation.

Zamiast być trenowanym od podstaw, pochodzi z PaLM 2. To jest zwykły sposób produkcji wyspecjalizowanego modelu.

Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta.

Czytanie wskaźników przepustowości

Mediana wyniku wynosi około 21.1 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 266 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.

Szkolenie i pochodzenie

Trening zajmował około 3.9 × 10²³ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement,Historical significance.

Krok po kroku

Jak wybrać GPU do FunSearch

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.

Każda karta tutaj została sprawdzona pod kątem FunSearch, potrzebując około 8.9 GB przy kompresji IQ4_XS. Pojemność to brama — karta albo ją trzyma, albo nie.
02

Zdecyduj, jak długo trwają twoje rozmowy

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

Ustal minimalną jakość

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji IQ4_XS 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.

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla FunSearch. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 226 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku FunSearch. 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

Zobacz, co jeszcze ta karta uruchamia

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

Odpowiedzi

FunSearch — częste pytania

FunSearch— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 3.9 × 10²³ FLOP. 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.

FunSearch— 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 2.6 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

FunSearch— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 306. Więc druga karta rzadko jest odpowiedzią tutaj.

FunSearch— dlaczego kwantyzacja różni się między kartami?

Ponieważ pojemność się różni, to również to, jak mocno musi być ściśnięta. Liczba wyróżniających się poziomów w tabeli powyżej: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

FunSearch— 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: 136–361 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

FunSearch— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to P102-101, o pojemności pamięci 10 GB. Uruchamia model przy kompresji IQ4_XS używając około 8.9 GB, i produkuje w przybliżeniu 18.9 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 306.

FunSearch— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 226 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 266.

FunSearch— Ile VRAM-u potrzebuje?

Potrzebuje około 8.9 GB przy kompresji IQ4_XS, 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.

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

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q4_K_M, używając około 9.8 GB i generując w przybliżeniu 59.5 tokenów na sekundę. Dopasowanie jest ciasne.

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

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q6_K, używając około 13.3 GB i generując w przybliżeniu 46.4 tokenów na sekundę. Dopasowanie jest ciasne.

FunSearch— 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 16.8 GB i generując w przybliżeniu 37.8 tokenów na sekundę. Dopasowanie jest komfortowe.

FunSearch— 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.

FunSearch— ile ma parametrów?

Ma liczbę parametrów równą 15B. From the section called "Pretrained LLM": "We use Codey, an LLM built on top of the PaLM2 model family... Because FunSearch relies on sampling from an LLM extensively, an important performance-defining tradeoff is between the quality of the samples and the inference speed of the LLM. In practice, we have chosen to work with a fast-inference model (rather than slower-inference, higher-quality)" Unclear which PaLM2 model was used (of Gecko, Otter, Bison, and Unicorn); above quote indicates it was perhaps Otter or Bison, but not Unicorn. Exact parameter counts are not publicly disclosed for any of these models. In comparisons where FunSearch uses StarCoder-15B, Codey is an improvement but not obviously of an entirely different model class. I report the 15B parameters from StarCoder-15B, used as an open-source comparison. 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.

FunSearch— kto to stworzył?

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

FunSearch— kiedy to zostało wydane?

Zostało opublikowane w December 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

FunSearch— do czego to służy?

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

FunSearch— Gdzie mogę to pobrać?

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

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 1 January 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