OmniFusion-7B (InternViT-6B-448px V1-2) kalkulator TPS

Otwórz wagi AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology 12.5B parametry November 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

509 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Xeon Phi 5110P

8 GB · Q3_K_M · 19.0 tok/s

Najszybsza karta

B200

270 tok/s · 180 GB

Które GPU mogą uruchomić OmniFusion-7B (InternViT-6B-448px V1-2)?

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.

509 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
270 tok/s 162–432 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	14.1 GB	Q8_0	Wygodny
270 tok/s 162–432 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	14.1 GB	Q8_0	Wygodny
216 tok/s 129–345 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Wygodny
216 tok/s 129–345 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	14.1 GB	Q8_0	Wygodny
173 tok/s 104–276 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	14.1 GB	Q8_0	Wygodny
165 tok/s 99–264 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Wygodny
165 tok/s 99–264 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	14.1 GB	Q8_0	Wygodny
158 tok/s 95–253 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	14.1 GB	Q8_0	Wygodny
140 tok/s 84–224 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Wygodny
140 tok/s 84–224 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Wygodny
140 tok/s 84–224 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	14.1 GB	Q8_0	Wygodny
136 tok/s 81–217 · niska pewność	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.8 GB	Q3_K_M	Wąski
133 tok/s 80–213 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	14.1 GB	Q8_0	Wygodny
122 tok/s 73–195 · niska pewność	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.3 GB	Q4_K_M	Wąski
113 tok/s 68–182 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Wygodny
113 tok/s 68–182 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	14.1 GB	Q8_0	Wygodny
113 tok/s 68–182 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Wygodny
113 tok/s 68–182 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Wygodny
113 tok/s 68–182 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	14.1 GB	Q8_0	Wygodny
86.4 tok/s 52–138 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Wygodny
86.4 tok/s 52–138 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	14.1 GB	Q8_0	Wygodny
72.0 tok/s 43–115 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	14.1 GB	Q8_0	Wygodny
70.5 tok/s 42–113 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	14.1 GB	Q8_0	Wygodny
70.0 tok/s 42–112 · niska pewność	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.8 GB	Q3_K_M	Wąski
68.9 tok/s 41–110 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	14.1 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: AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology
Typ organizacji: Research collective,Industry,Government,Academia
Kraj: Russia
Opublikowany: 22 November 2023
Autorzy: Elizaveta Goncharova, Anton Razzhigaev, Matvey Mikhalchuk, Maxim Kurkin, Irina Abdullaeva, Matvey Skripkin, Ivan Oseledets, Denis Dimitrov, Andrey Kuznetsov

Co to robi

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

Domena: Multimodal, Vision, Language
Zadanie: Visual question answering, Language modeling/generation, Question answering
Model bazowy: InternViT-6B,GigaChat-7B

Rozmiar

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

parametry: 12.5B
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.

Dostosowywanie obliczeń: 4 × 10¹⁶ 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: 8
Pobór mocy: 6.3 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
Hugging Face: AIRI-Institute

Jak jest klasyfikowane

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

Zapisz pewność: Confident
Cytaty: 7

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: OmniFusion Technical Report
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają OmniFusion-7B (InternViT-6B-448px V1-2)

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 OmniFusion-7B (InternViT-6B-448px V1-2)

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

Xeon Phi 5110P

Pamięć potrzebna

6.8 GB

Najszybszy

270 tok/s

OmniFusion-7B (InternViT-6B-448px V1-2) osiąga liczbę parametrów równą 12.5B. 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: 509.

Punkt wejścia to Xeon Phi 5110P, o pojemności pamięci 8 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 19.0 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 270 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

OmniFusion-7B (InternViT-6B-448px V1-2) został opublikowany przez AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, w kraju zapisanym jako Russia, podczas November 2023. Organizacja publikująca jest klasyfikowana jako research collective,Industry,Government,Academia.

Działa w dziedzinie Multimodal, Vision, Language, i jest zapisany jako wykonujący zadanie visual question answering, Language modeling/generation, Question answering.

Jego punktem wyjścia był istniejący model podstawowy, InternViT-6B,GigaChat-7B. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu. Na Hugging Face jest opublikowane pod organizacją AIRI-Institute.

Co decyduje o szybkości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 20.3 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 451 ich

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

Jej architektura wewnętrzna nie jest w naszej bazie danych, więc pamięć jest szacowana na podstawie liczby parametrów i odpowiednio oznaczona. Spodziewaj się, że rzeczywista wartość będzie się różnić, tym bardziej przy długim context length.

Krok po kroku

Jak wybrać GPU do OmniFusion-7B (InternViT-6B-448px V1-2)

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

01

Zacznij od kolumny pamięci

Tabela zawiera każdą kartę, która jest w stanie pomieścić OmniFusion-7B (InternViT-6B-448px V1-2), potrzebując około 6.8 GB przy kompresji Q3_K_M. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
02

Dopasuj kontekst do swojego rzeczywistego użycia

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla OmniFusion-7B (InternViT-6B-448px V1-2).
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

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. OmniFusion-7B (InternViT-6B-448px V1-2). Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 270 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku OmniFusion-7B (InternViT-6B-448px V1-2). 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 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 OmniFusion-7B (InternViT-6B-448px V1-2).

Odpowiedzi

OmniFusion-7B (InternViT-6B-448px V1-2) — częste pytania

OmniFusion-7B (InternViT-6B-448px V1-2)— 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: 162–432 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

OmniFusion-7B (InternViT-6B-448px V1-2)— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Xeon Phi 5110P, o pojemności pamięci 8 GB. Uruchamia model przy kompresji Q3_K_M używając około 6.8 GB, i produkuje w przybliżeniu 19.0 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 509.

OmniFusion-7B (InternViT-6B-448px V1-2)— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 270 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 451.

OmniFusion-7B (InternViT-6B-448px V1-2)— Ile VRAM-u potrzebuje?

Potrzebuje około 6.8 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— czy mogę uruchomić to na GPU trzymając 8 GB?

Tak. Karta CMP 170HX 8 GB, trzymanie 8 GB, uruchamia go przy kompresji Q3_K_M, używając około 6.8 GB i generując w przybliżeniu 136 tokenów na sekundę. Dopasowanie jest ciasne.

OmniFusion-7B (InternViT-6B-448px V1-2)— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q5_K_M, używając około 9.7 GB i generując w przybliżeniu 55.0 tokenów na sekundę. Dopasowanie jest ciasne.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB i generując w przybliżeniu 38.2 tokenów na sekundę. Dopasowanie jest ciasne.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 14.1 GB i generując w przybliżeniu 45.3 tokenów na sekundę. Dopasowanie jest komfortowe.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— ile ma parametrów?

Ma liczbę parametrów równą 12.5B. The model uses InternViT-6B-448px V1-2 as the visual encoder, which undergoes pre-training, and GigaChat-7B as the LLM, which undergoes fine-tuning [1]. InternViT-6B-448px V1-2 has 5.54B parameters [2], and GigaChat-7B, being closed-source is assumed to have 7B parameters. 1. https://arxiv.org/pdf/2404.06212 2. https://huggingface.co/OpenGVLab/InternViT-6B-448px-V1-2. 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.

OmniFusion-7B (InternViT-6B-448px V1-2)— kto to stworzył?

Zostało opublikowane przez AIRI Artificial Intelligence Research Institute,Sber,Skolkovo Institute of Science and Technology, oparty na Russia, organizacja sklasyfikowana jako research collective,Industry,Government,Academia.

OmniFusion-7B (InternViT-6B-448px V1-2)— kiedy to zostało wydane?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— do czego to służy?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— Gdzie mogę to pobrać?

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

OmniFusion-7B (InternViT-6B-448px V1-2)— 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 2.9 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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: 509. Więc druga karta rzadko jest odpowiedzią tutaj.

OmniFusion-7B (InternViT-6B-448px V1-2)— 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.

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