QMoE: compressed SwitchTransformer kalkulator TPS

Otwórz wagi Institute of Science and Technology Austria (ISTA),Neural Magic 1.6T parametry October 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

0 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Które GPU mogą uruchomić QMoE: compressed SwitchTransformer?

Ustaw wejścia, odczytaj odpowiedź.

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

0 karty pasują

Obliczanie
potrzeby Kwantyzacja Pasuje

Żaden KARTA w naszym katalogu nie może uruchomić tego modelu z tymi ustawieniami..

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
Institute of Science and Technology Austria (ISTA),Neural Magic
Typ organizacji
Academia,Industry
Kraj
Austria, United States of America
Opublikowany
25 October 2023
Autorzy
Elias Frantar, Dan Alistarh

Co to robi

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

Domena
Language
Zadanie
Language modeling
Model bazowy
Switch

Rozmiar

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

parametry
1.6T

"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.

Dane treningowe
576,000,000,000 tokens

In this paper, the authors compress the SwitchTransformer-c2048 model. There is no training dataset used.

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
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…

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania
NVIDIA RTX A6000

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

apache 2.0 github.com/IST-DASLab/qmoe

Jak jest klasyfikowane

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

Zapisz pewność
Confident
Cytaty
47

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
QMoE: Practical Sub-1-Bit Compression of Trillion-Parameter Models
Ostatnio zaktualizowane
25 May 2026

Co oznaczają liczby

Strona sprzętowa

QMoE: compressed SwitchTransformer osiąga liczbę parametrów równą 1.6T. To jest poza tym, co miałaby jakakolwiek pojedyncza karta graficzna. Uruchomienie go oznacza albo podział na kilka kart, albo wynajęcie sprzętu przeznaczonego do tego zadania, a każda karta, która mogłaby go pomieścić sama, jest częścią centrum danych. Liczba, która może: 0.

Tło

QMoE: compressed SwitchTransformer został opublikowany przez Institute of Science and Technology Austria (ISTA),Neural Magic, w kraju zapisanym jako Austria, podczas October 2023. Kategoria, do której należy wydawca, to academia,Industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.

Zamiast być trenowanym od podstaw, pochodzi z Switch. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.

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

Co poszło w budowę tego

Został wytrenowany na korpusie około 576,000,000,000 Tokeny tekstu.

Krok po kroku

Jak wybrać GPU do QMoE: compressed SwitchTransformer

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

  1. 01

    Przeczytaj najpierw liczbę pamięci

    Tabela zawiera każdą kartę, która jest w stanie pomieścić QMoE: compressed SwitchTransformer. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.

  2. 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 QMoE: compressed SwitchTransformer.

  3. 03

    Ustal minimalną jakość

    Każda KARTA uruchamia najmniej skompresowaną kopię, jaką może pomieścić.. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.

  4. 04

    Sortuj według prędkości

    Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla QMoE: compressed SwitchTransformer. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci.

  5. 05

    Sprawdź werdykt dopasowania przed zakupem

    Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku QMoE: compressed SwitchTransformer. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.

  6. 06

    Zobacz, co jeszcze ta karta uruchamia

    Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o QMoE: compressed SwitchTransformer.

Odpowiedzi

QMoE: compressed SwitchTransformer — częste pytania

01

QMoE: compressed SwitchTransformer— do czego to służy?

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

02

QMoE: compressed SwitchTransformer— Gdzie mogę to pobrać?

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

03

QMoE: compressed SwitchTransformer— 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 691.9 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

04

QMoE: compressed SwitchTransformer— 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: 0. Więc druga karta rzadko jest odpowiedzią tutaj.

05

QMoE: compressed SwitchTransformer— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

06

QMoE: compressed SwitchTransformer— 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: zakres poniżej każdej liczby Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

07

QMoE: compressed SwitchTransformer— 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.

08

QMoE: compressed SwitchTransformer— ile ma parametrów?

Ma liczbę parametrów równą 1.6T. "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. 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.

09

QMoE: compressed SwitchTransformer— kto to stworzył?

Zostało opublikowane przez Institute of Science and Technology Austria (ISTA),Neural Magic, oparty na Austria, organizacja sklasyfikowana jako academia,Industry.

10

QMoE: compressed SwitchTransformer— kiedy to zostało wydane?

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

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