QMoE: compressed SwitchTransformer kalkulator TPS
Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość to szacunkowa wartość dla pojedynczego żądania, obliczona na podstawie przepustowości pamięci karty i rozmiaru modelu po kompresji..
Obliczone dla tego modelu
Które GPUn mogą uruchomić QMoE: compressed SwitchTransformer?
Ustaw wejścia, odczytaj odpowiedź
Dłuższa rozmowa potrzebuje więcej pamięci, co może wykluczyć ten model z mniejszych kart..
Ukrywa karty, które mogłyby pasować do modelu, kompresując je poniżej tego punktu.
0 karty pasują
Obliczanie| Wymagana | Kwantyzacja | Dopasowane | |||||
|---|---|---|---|---|---|---|---|
|
Żaden model w naszym katalogu nie może uruchomić tego modelu z tymi ustawieniami.. |
|||||||
Prędkości są szacunkowe dla jednego zapytania — jedna rozmowa na raz — obliczone z szerokości pasma pamięci, rozmiaru modelu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu działania inferencji i jej wersji. Liczby publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..
Na rekord
Pełna specyfikacja
Wszystko w rejestrze dla tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy włożono w jego budowę i jak wypada w porównaniu z modelami stworzonymi w innym skali..
Origin
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Typ organizacji
- Academia,Industry
- Kraj
- Austria, United States of America
- Opublikowano
- 25 October 2023
- Autorzy
- Elias Frantar, Dan Alistarh
Co to robi
Obszary problemowe, dla których model został stworzony. Model może obsługiwać kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
- Bazowy model
- Switch
Rozmiar
Jak duży jest model i ile danych został wytrenowany. Parametry to wartość, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 1.6T
- Trening danych
- 576,000,000,000 tokens
"Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data.
In this paper, the authors compress the SwitchTransformer-c2048 model. There is no training dataset used.
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach na liczbach zmiennoprzecinkowych. Jest to miara kosztu treningu, a nie tego, jak szybko gotowy model odpowiada.
- Dopasowywanie obliczeń
- 1 × 10¹⁸ FLOP
(1) * (38.71 * 10 ** 12) * (0.3) * (24 * 3600) = 1003363200000000000 (num gpu) * (peak flop) * (assumed utilization rate) * (time in seconds) from the paper: "This allows us to apply data-dependent compression to massive MoEs, while preserving the key feature of post-training compression techniques: the ability to perform effective compression using only modest computational resources, e.g., a single NVIDIA A6000 GPU and less than one day of compute." A6000 have 38.71 TFLOPs from https://www.tec…
Trening uruchomienia
Co fizycznie było potrzebne do treningu: które chipy, ile, przez jak długo i ile to pobrało z sieci.
- Sprzęt treningowy
- NVIDIA RTX A6000
Dostępność
Czy możesz uzyskać model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
apache 2.0 github.com/IST-DASLab/qmoe
Jak jest klasyfikowany
Etykiety zastosowane w źródłowym zbiorze danych przy śledzeniu istotnych modeli oraz jak pewny jest wpisu.
- Model/modele nie pasuje do VRAM GPU.
- Confident
- Model/modeli nie pasuje do VRAM GPU. Zbyt ciasne. Wygodne.
- 47
Źródła
Gdzie ten rekord pochodził i kiedy był ostatnio sprawdzany.
- Wersja modelu nie pasuje do VRAM GPU.
- QMoE: Practical Sub-1-Bit Compression of Trillion-Parameter Models
- Ostatnia aktualizacja
- 25 May 2026
Co oznaczają liczby
Strona sprzętowa
At 1.6T parameters, QMoE: compressed SwitchTransformer is beyond what any single graphics card holds. Running it means either splitting it across several cards or renting hardware built for the job — 0 of the cards we track can hold it on their own, and all of them are datacentre parts.
Kontekst
QMoE: compressed SwitchTransformer was published by Institute of Science and Technology Austria (ISTA),Neural Magic, in Austria, in October 2023. academia,Industry is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
It is derived from Switch rather than trained from scratch, which is the usual way a specialised model is produced.
Wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie przez czas nieokreślony, offline, bez powiązanego konta.
Co poszło w budowę tego?
It was trained on about 576,000,000,000 tokens of text.
Krok po kroku
Jak wybrać GPU dla QMoE: compressed SwitchTransformer
Tabela powyżej już oceniła każdą kartę, dla której posiadamy specyfikacje, w porównaniu do tego modelu. Dotarcie do twojej odpowiedzi zajmuje sześć kroków..
-
01
Przeczytaj najpierw wartość pamięci
The table lists every card that can hold QMoE: compressed SwitchTransformer. That figure, not the card's headline performance, is what decides whether it runs.
-
02
Zdecyduj, jak długo będą trwały twoje rozmowy.
The conversation occupies memory too, and grows as it goes. Set the slider to the length you expect: at long context QMoE: compressed SwitchTransformer can slip off a card that handles short questions easily.
-
03
Ustal minimalną jakość
Each card runs the least-compressed copy it can hold. Setting a floor drops the cards that only manage QMoE: compressed SwitchTransformer by squeezing it further than you would want.
-
04
Sortuj według prędkości
The speed ordering for QMoE: compressed SwitchTransformer is effectively an ordering by memory bandwidth.
-
05
Sprawdź werdykt dotyczący dopasowania przed zakupem
Tight means QMoE: compressed SwitchTransformer loads and works, with no room to raise the context later. Comfortable means you can. The difference matters more than a few tokens per second.
-
06
Zobacz, co ta karta może uruchomić.
Following a card through to its own page shows every other model it can hold, which is the question that follows once QMoE: compressed SwitchTransformer is settled.
Odpowiedzi
QMoE: compressed SwitchTransformer — Powszechne pytania
What is QMoE: compressed SwitchTransformer used for?
QMoE: compressed SwitchTransformer works in Language, and is recorded as handling language modeling. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download QMoE: compressed SwitchTransformer?
The weights for QMoE: compressed SwitchTransformer are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
Can I run QMoE: compressed SwitchTransformer if it does not fit in my GPU?
It can be split between the card and system memory, but QMoE: compressed SwitchTransformer generates painfully slowly that way — the nearest miss we calculate is short by 691.9 GB. Nothing on this page assumes offloading.
Would two GPUs run QMoE: compressed SwitchTransformer faster?
Two cards buy memory rather than speed. That matters for QMoE: compressed SwitchTransformer only if one card cannot hold it — 0 can, so a second adds little.
Why does the quantisation differ between cards for QMoE: compressed SwitchTransformer?
A larger card holds a more accurate copy. Across the cards that run QMoE: compressed SwitchTransformer, 1 compression levels are used; the floor control above pins it to one.
How accurate are these QMoE: compressed SwitchTransformer speed estimates?
Każda liczba pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów. Dlatego każda jest publikowana jako zakres, taki jak zakres poniżej każdej liczby, a nie jako pojedyncza liczba.
Is QMoE: compressed SwitchTransformer open source?
Its weights are published, so QMoE: compressed SwitchTransformer can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does QMoE: compressed SwitchTransformer have?
QMoE: compressed SwitchTransformer has 1.6T parameters. "Concretely, QMoE can compress the 1.6 trillion parameter SwitchTransformer-c2048 model to less than 160GB" Same parameter count as base model. This paper compresses the model; there is no learning from data. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created QMoE: compressed SwitchTransformer?
QMoE: compressed SwitchTransformer was published by Institute of Science and Technology Austria (ISTA),Neural Magic, based in Austria, categorised as academia,Industry.
When was QMoE: compressed SwitchTransformer released?
QMoE: compressed SwitchTransformer was published in October 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Źródło
Model/modeli nie pasuje do VRAM GPU. Zbyt ciasne. Model działa wygodnie z zapasem. Jak modele AI może GPU uruchomić? 25 May 2026
Inna strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko uruchomi., Model/modele nie mieści się w VRAM GPU..