FLM-101B kalkulator TPS

Otwórz wagi Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI 101B parametry September 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

43 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Radeon Instinct MI200

64 GB · IQ4_XS · 13.2 tok/s

Najszybsza karta

B200

33.6 tok/s · 180 GB

Które GPU mogą uruchomić FLM-101B?

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.

43 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
33.6 tok/s 20–54 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	108.8 GB	Q8_0	Wygodny
33.6 tok/s 20–54 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	108.8 GB	Q8_0	Wygodny
32.5 tok/s 20–52 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	61.8 GB	Q4_K_M	Wąski
32.5 tok/s 20–52 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	61.8 GB	Q4_K_M	Wąski
29.5 tok/s 18–47 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	73.6 GB	Q5_K_M	Wąski
26.8 tok/s 16–43 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	108.8 GB	Q8_0	Wygodny
26.8 tok/s 16–43 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	108.8 GB	Q8_0	Wygodny
25.2 tok/s 15–40 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	73.6 GB	Q5_K_M	Wąski
21.4 tok/s 13–34 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	108.8 GB	Q8_0	Wąski
20.8 tok/s 12–33 · niska pewność	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	55.9 GB	IQ4_XS	Wąski
20.5 tok/s 12–33 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	108.8 GB	Q8_0	Wąski
20.5 tok/s 12–33 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	108.8 GB	Q8_0	Wąski
20.5 tok/s 12–33 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.3 GB	Q6_K	Wąski
20.5 tok/s 12–33 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	85.3 GB	Q6_K	Wąski
19.8 tok/s 12–32 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	61.8 GB	Q4_K_M	Wąski
19.8 tok/s 12–32 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	61.8 GB	Q4_K_M	Wąski
19.8 tok/s 12–32 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	61.8 GB	Q4_K_M	Wąski
19.8 tok/s 12–32 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	61.8 GB	Q4_K_M	Wąski
19.8 tok/s 12–32 · niska pewność	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	61.8 GB	Q4_K_M	Wąski
19.8 tok/s 12–32 · niska pewność	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	61.8 GB	Q4_K_M	Wąski
19.6 tok/s 12–31 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	108.8 GB	Q8_0	Wygodny
18.8 tok/s 11–30 · niska pewność	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	61.8 GB	Q4_K_M	Wąski
18.8 tok/s 11–30 · niska pewność	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	61.8 GB	Q4_K_M	Wąski
17.4 tok/s 10–28 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	108.8 GB	Q8_0	Wąski
17.4 tok/s 10–28 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	108.8 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: Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI
Typ organizacji: Academia,Academia,Academia,Academia
Kraj: China, Singapore
Opublikowany: 7 September 2023
Autorzy: Xiang Li, Yiqun Yao, Xin Jiang, Xuezhi Fang, Xuying Meng, Siqi Fan, Peng Han, Jing Li, Li Du, Bowen Qin, Zheng Zhang, Aixin Sun, Yequan Wang

Co to robi

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

Domena: Language
Zadanie: Language modeling/generation, Question answering, Chat

Rozmiar

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

parametry: 101B
Dane treningowe: 311,540,000,000 tokens
Rozmiar wsadu: 4,310,000

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: 5.7 × 10²² 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.

Sprzęt do trenowania: NVIDIA A800 PCIe 40 GB
Czas rzeczywisty: 517 hours (21.5 days)

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)

Jak jest klasyfikowane

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

Zapisz pewność: Confident
Cytaty: 28

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: FLM-101B: An Open LLM and How to Train It with $100K Budget
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają FLM-101B

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 FLM-101B

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 Instinct MI200

Pamięć potrzebna

55.9 GB

Najszybszy

33.6 tok/s

FLM-101B osiąga liczbę parametrów równą 101B. To stawia to powyżej sprzętu konsumenckiego, w zakresie, gdzie karta jest kupowana do tego celu, zamiast przystosowywana do niego. Liczba kart, które śledzimy, które mogą to pomieścić: 43.

Najmniejszy sprzęt, który działa, to Radeon Instinct MI200, o pojemności pamięci 64 GB, uruchomienie go przy kompresji IQ4_XS i produkując około 13.2 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 33.6 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

FLM-101B został opublikowany przez Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI, w kraju zapisanym jako China, podczas September 2023. Organizacja publikująca jest klasyfikowana jako academia,Academia,Academia,Academia.

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

Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi.

Co decyduje o szybkości

Mediana wyniku wynosi około 18.8 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 36 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.

Jak to zostało wytrenowane

Trening zajmował około 5.7 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A800 PCIe 40 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 311,540,000,000 Tokeny tekstu.

Krok po kroku

Jak wybrać GPU do FLM-101B

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 FLM-101B, potrzebując około 55.9 GB przy kompresji IQ4_XS. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
02

Dopasuj kontekst do swojego rzeczywistego użycia

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 FLM-101B.
03

Wybierz, jak daleko chcesz to skompresować.

Każda KARTA uruchamia najmniej skompresowaną kopię, jaką może pomieścić., 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

Oceń według przepustowości, a nie kart specyfikacji

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla FLM-101B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 33.6 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 FLM-101B. 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

Sprawdź kartę z drugiej strony

Każda strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza FLM-101B.

Odpowiedzi

FLM-101B — częste pytania

FLM-101B— Gdzie mogę to pobrać?

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

FLM-101B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 5.7 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A800 PCIe 40 GB. 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.

FLM-101B— 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 18.6 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

FLM-101B— 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: 43. Więc druga karta rzadko jest odpowiedzią tutaj.

FLM-101B— dlaczego kwantyzacja różni się między kartami?

Każda KARTA jest przedstawiana z uruchomioną najmniej skompresowaną wersją, jaką może pomieścić. Liczba odmiennych poziomów kompresji w KARTACH, które mogą go pomieścić: 5. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

FLM-101B— 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: 20–54 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

FLM-101B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Radeon Instinct MI200, o pojemności pamięci 64 GB. Uruchamia model przy kompresji IQ4_XS używając około 55.9 GB, i produkuje w przybliżeniu 13.2 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 43.

FLM-101B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 33.6 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 36.

FLM-101B— Ile VRAM-u potrzebuje?

Potrzebuje około 55.9 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.

FLM-101B— 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.

FLM-101B— ile ma parametrów?

Ma liczbę parametrów równą 101B. 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.

FLM-101B— kto to stworzył?

Zostało opublikowane przez Chinese Academy of Sciences,Harbin Institute of Technology,Nanyang Technological University,Beijing Academy of Artificial Intelligence / BAAI, oparty na China, organizacja sklasyfikowana jako academia,Academia,Academia,Academia.

FLM-101B— kiedy to zostało wydane?

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

FLM-101B— do czego to służy?

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

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