Galactica kalkulator TPS

Otwórz wagi Meta AI 120B parametry November 2022

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

38 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

RTX PRO 5000 72 GB Blackwell

72 GB · Q3_K_M · 12.8 tok/s

Najszybsza karta

H100 NVL 94 GB

32.1 tok/s · 94 GB

Które GPU mogą uruchomić Galactica?

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.

38 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
32.1 tok/s 19–51 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	73.3 GB	Q4_K_M	Wąski
29.1 tok/s 17–47 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	66.3 GB	IQ4_XS	Wąski
29.1 tok/s 17–47 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	66.3 GB	IQ4_XS	Wąski
28.2 tok/s 17–45 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	129.2 GB	Q8_0	Wygodny
28.2 tok/s 17–45 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	129.2 GB	Q8_0	Wygodny
27.4 tok/s 16–44 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.3 GB	Q4_K_M	Wąski
27.4 tok/s 16–44 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	73.3 GB	Q4_K_M	Wąski
27.4 tok/s 16–44 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	73.3 GB	Q4_K_M	Wąski
26.2 tok/s 16–42 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	101.2 GB	Q6_K	Wąski
25.1 tok/s 15–40 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	101.2 GB	Q6_K	Wygodny
25.1 tok/s 15–40 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	101.2 GB	Q6_K	Wygodny
22.6 tok/s 14–36 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	129.2 GB	Q8_0	Wygodny
22.6 tok/s 14–36 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	129.2 GB	Q8_0	Wygodny
21.3 tok/s 13–34 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	101.2 GB	Q6_K	Wąski
17.7 tok/s 11–28 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	66.3 GB	IQ4_XS	Wąski
17.7 tok/s 11–28 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	66.3 GB	IQ4_XS	Wąski
17.7 tok/s 11–28 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	66.3 GB	IQ4_XS	Wąski
17.7 tok/s 11–28 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	66.3 GB	IQ4_XS	Wąski
17.7 tok/s 11–28 · niska pewność	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	66.3 GB	IQ4_XS	Wąski
17.7 tok/s 11–28 · niska pewność	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	66.3 GB	IQ4_XS	Wąski
16.8 tok/s 10–27 · niska pewność	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	66.3 GB	IQ4_XS	Wąski
16.8 tok/s 10–27 · niska pewność	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	66.3 GB	IQ4_XS	Wąski
16.5 tok/s 10–26 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	129.2 GB	Q8_0	Wygodny
14.7 tok/s 9–23 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	129.2 GB	Q8_0	Wygodny
14.7 tok/s 9–23 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	129.2 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: Meta AI
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 16 November 2022
Autorzy: Ross Taylor, Marcin Kardas, Guillem Cucurull, Thomas Scialom, Anthony Hartshorn, Elvis Saravia, Andrew Poulton, Viktor Kerkez, Robert Stojnic

Co to robi

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

Domena: Language, Biology
Zadanie: Language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation
Podejście: Self-supervised learning

Rozmiar

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

parametry: 120B
Dane treningowe: 106,000,000,000 tokens
Epoki: 4
Rozmiar wsadu: 2,000,000

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: 3.2 × 10²³ FLOP
Jak to zostało ustalone: Operation counting

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 SXM4 80 GB
Zastosowane chipy: 128
Pobór mocy: 102.4 kW
Koszt obliczeniowy: $591,077

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 (non-commercial)
Kod treningowy: Unreleased

Jak jest klasyfikowane

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

Model bazowy: Yes
Prawdopodobnie powyżej 10²³ FLOP: Yes
Dlaczego to jest śledzone: SOTA improvement
Zapisz pewność: Likely
Cytaty: 1,017

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Galactica: A Large Language Model for Science
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Galactica

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 Galactica

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

RTX PRO 5000 72 GB Blackwell

Pamięć potrzebna

59.3 GB

Najszybszy

32.1 tok/s

Galactica osiąga liczbę parametrów równą 120B. 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: 38.

Punkt wejścia to RTX PRO 5000 72 GB Blackwell, o pojemności pamięci 72 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 12.8 tokeny na sekundę

Najszybciej, jak to obliczamy, to H100 NVL 94 GB, generowanie w przybliżeniu 32.1 tokenów na sekundę na podstawie przepustowości pamięci 3,940 GB/s.

Skąd to pochodzi

Galactica został opublikowany przez Meta AI, w kraju zapisanym jako United States of America, podczas November 2022. Organizacja publikująca jest klasyfikowana jako industry.

Działa w dziedzinie Language, Biology, i jest zapisany jako wykonujący zadanie language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation.

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

Zrozumienie prędkości

Połowa kart, które go trzymają, osiąga więcej niż 17.7 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 36 ich

Każda waga uczestniczy w każdym tokenie tutaj, więc szerokość pasma jest całą historią: poniższa lista to w rzeczywistości ranking przepustowości pamięci.

Bez układu uwagi na rekordzie, kolumna pamięci jest przybliżeniem. Jest wystarczająco bliska, aby wybrać sprzęt, i najmniej wiarygodna przy długim kontekście.

Co poszło w budowę tego

Trening zajmował około 3.2 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 106,000,000,000 Tokeny tekstu.

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

Krok po kroku

Jak wybrać GPU do Galactica

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 Galactica, potrzebując około 59.3 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Ustaw długość kontekstu, z którą będziesz pracować

Ustaw kontekst na to, co naprawdę użyjesz. Cache rośnie wraz z rozmową i jest to zwykle powód, dla którego karta, która wydawała się w porządku, przestaje pasować. Galactica.
03

Wybierz, jak daleko chcesz to skompresować.

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

Sortuj według prędkości

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla Galactica. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to H100 NVL 94 GB, w 32.1 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

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

Otwórz kartę, na którą się zdecydowałeś

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 Galactica.

Odpowiedzi

Galactica — częste pytania

Galactica— 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 15.7 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Galactica— 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: 38. Więc druga karta rzadko jest odpowiedzią tutaj.

Galactica— 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: 5. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Galactica— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 19–51 tok/s na H100 NVL 94 GB. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Galactica— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to RTX PRO 5000 72 GB Blackwell, o pojemności pamięci 72 GB. Uruchamia model przy kompresji Q3_K_M używając około 59.3 GB, i produkuje w przybliżeniu 12.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 38.

Galactica— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to H100 NVL 94 GB, około 32.1 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.

Galactica— Ile VRAM-u potrzebuje?

Potrzebuje około 59.3 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.

Galactica— 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.

Galactica— ile ma parametrów?

Ma liczbę parametrów równą 120B. "The largest 120B model we train runs on a single NVIDIA A100 node". 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.

Galactica— kto to stworzył?

Zostało opublikowane przez Meta AI, oparty na United States of America, organizacja sklasyfikowana jako industry.

Galactica— kiedy to zostało wydane?

Zostało opublikowane w November 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Galactica— do czego to służy?

Działa w dziedzinie Language, Biology, i jest zarejestrowany jako realizujący zadanie language modeling, Question answering, Mathematical reasoning, Medical diagnosis, Language modeling/generation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

Galactica— Gdzie mogę to pobrać?

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

Galactica— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 3.2 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 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.

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