Stable Diffusion (LDM-KL-8-G) kalkulator TPS

Otwórz wagi Runway,Ludwig Maximilian University of Munich,Heidelberg University 1.5B parametry April 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

818 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla C1080

4 GB · Q8_0 · 25.4 tok/s

Najszybsza karta

B200

2,337 tok/s · 180 GB

Które GPU mogą uruchomić Stable Diffusion (LDM-KL-8-G)?

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.

818 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
2,337 tok/s 1,402–3,739 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.3 GB	Q8_0	Wygodny
2,337 tok/s 1,402–3,739 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.3 GB	Q8_0	Wygodny
1,866 tok/s 1,120–2,985 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Wygodny
1,866 tok/s 1,120–2,985 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.3 GB	Q8_0	Wygodny
1,492 tok/s 895–2,388 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.3 GB	Q8_0	Wygodny
1,428 tok/s 857–2,285 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Wygodny
1,428 tok/s 857–2,285 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.3 GB	Q8_0	Wygodny
1,367 tok/s 820–2,187 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.3 GB	Q8_0	Wygodny
1,213 tok/s 728–1,941 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Wygodny
1,213 tok/s 728–1,941 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Wygodny
1,213 tok/s 728–1,941 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.3 GB	Q8_0	Wygodny
1,151 tok/s 691–1,841 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.3 GB	Q8_0	Wygodny
981 tok/s 589–1,570 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Wygodny
981 tok/s 589–1,570 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.3 GB	Q8_0	Wygodny
981 tok/s 589–1,570 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Wygodny
981 tok/s 589–1,570 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Wygodny
981 tok/s 589–1,570 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.3 GB	Q8_0	Wygodny
747 tok/s 448–1,196 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Wygodny
747 tok/s 448–1,196 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.3 GB	Q8_0	Wygodny
623 tok/s 374–996 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.3 GB	Q8_0	Wygodny
609 tok/s 366–975 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.3 GB	Q8_0	Wygodny
596 tok/s 358–953 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.3 GB	Q8_0	Wygodny
596 tok/s 358–953 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.3 GB	Q8_0	Wygodny
596 tok/s 358–953 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.3 GB	Q8_0	Wygodny
596 tok/s 358–953 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.3 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: Runway,Ludwig Maximilian University of Munich,Heidelberg University
Typ organizacji: Industry,Academia,Academia
Kraj: United States of America, Germany
Opublikowany: 13 April 2022
Autorzy: Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer

Co to robi

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

Domena: Image generation
Zadanie: Image generation, Text-to-image
Podejście: Self-supervised learning
Model bazowy: Stable Diffusion 1.2

Rozmiar

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

parametry: 1.5B
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.

Obliczenia treningowe: 5 × 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 A100
Zastosowane chipy: 256
Czas-chip: 150,000
Czas rzeczywisty: 586 hours (24.4 days)
Pobór mocy: 205.8 kW
Koszt obliczeniowy: $111,248

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: CompVis

Jak jest klasyfikowane

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

Dlaczego to jest śledzone: Significant use,Highly cited
Zapisz pewność: Confident
Cytaty: 24,523

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: High-Resolution Image Synthesis with Latent Diffusion Models
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Stable Diffusion (LDM-KL-8-G)

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 Stable Diffusion (LDM-KL-8-G)

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

Tesla C1080

Pamięć potrzebna

2.3 GB

Najszybszy

2,337 tok/s

Stable Diffusion (LDM-KL-8-G) osiąga liczbę parametrów równą 1.5B. 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: 818.

Najmniejszy sprzęt, który działa, to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 25.4 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 2,337 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

Stable Diffusion (LDM-KL-8-G) został opublikowany przez Runway,Ludwig Maximilian University of Munich,Heidelberg University, w kraju zapisanym jako United States of America, podczas April 2022. Organizacja publikująca jest klasyfikowana jako industry,Academia,Academia.

Działa w dziedzinie Image generation, i jest zapisany jako wykonujący zadanie image generation, Text-to-image.

Opiera się na Stable Diffusion 1.2. To jest zwykły sposób produkcji wyspecjalizowanego modelu.

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć. Na Hugging Face jest opublikowane pod organizacją CompVis.

Czytanie wskaźników przepustowości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 65.6 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 796 ich

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

Co poszło w budowę tego

Wytworzenie tego wymagało arytmetyki sumującej około 5 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: significant use,Highly cited.

Krok po kroku

Jak wybrać GPU do Stable Diffusion (LDM-KL-8-G)

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 Stable Diffusion (LDM-KL-8-G), potrzebując około 2.3 GB przy kompresji Q8_0. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
02

Ustaw długość kontekstu, z którą będziesz pracować

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla Stable Diffusion (LDM-KL-8-G).
03

Wybierz, jak daleko chcesz to skompresować.

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q8_0 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 Stable Diffusion (LDM-KL-8-G). Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 2,337 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 Stable Diffusion (LDM-KL-8-G). 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

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o Stable Diffusion (LDM-KL-8-G).

Odpowiedzi

Stable Diffusion (LDM-KL-8-G) — częste pytania

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— ile ma parametrów?

Ma liczbę parametrów równą 1.5B. See Table 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.

Stable Diffusion (LDM-KL-8-G)— kto to stworzył?

Zostało opublikowane przez Runway,Ludwig Maximilian University of Munich,Heidelberg University, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia.

Stable Diffusion (LDM-KL-8-G)— kiedy to zostało wydane?

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

Stable Diffusion (LDM-KL-8-G)— do czego to służy?

Działa w dziedzinie Image generation, i jest zarejestrowany jako realizujący zadanie image generation, Text-to-image. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

Stable Diffusion (LDM-KL-8-G)— Gdzie mogę to pobrać?

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

Stable Diffusion (LDM-KL-8-G)— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 5 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. 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.

Stable Diffusion (LDM-KL-8-G)— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Tylko przez odciążenie, co zwykle jest fałszywą oszczędnością: część trzymana w pamięci systemowej spowalnia cały proces. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Stable Diffusion (LDM-KL-8-G)— 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: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

Stable Diffusion (LDM-KL-8-G)— 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.

Stable Diffusion (LDM-KL-8-G)— Jak dokładne są te szacunki prędkości?

To są szacunki z rzeczywistymi marginesami błędu, a każdy z nich mógłby rozsądnie wypaść gdziekolwiek w swoim opublikowanym zakresie w zależności od używanego uruchomienia. Najszybszy wynik tutaj: 1,402–3,739 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Stable Diffusion (LDM-KL-8-G)— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Tesla C1080, o pojemności pamięci 4 GB. Uruchamia model przy kompresji Q8_0 używając około 2.3 GB, i produkuje w przybliżeniu 25.4 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

Stable Diffusion (LDM-KL-8-G)— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 2,337 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 796.

Stable Diffusion (LDM-KL-8-G)— Ile VRAM-u potrzebuje?

Potrzebuje około 2.3 GB przy kompresji Q8_0, 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.

Stable Diffusion (LDM-KL-8-G)— czy mogę uruchomić to na GPU trzymając 8 GB?

Tak. Karta CMP 170HX 8 GB, trzymanie 8 GB, uruchamia go przy kompresji Q8_0, używając około 2.3 GB i generując w przybliżeniu 435 tokenów na sekundę. Dopasowanie jest komfortowe.

Stable Diffusion (LDM-KL-8-G)— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q8_0, używając około 2.3 GB i generując w przybliżeniu 267 tokenów na sekundę. Dopasowanie jest komfortowe.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB i generując w przybliżeniu 330 tokenów na sekundę. Dopasowanie jest komfortowe.

Stable Diffusion (LDM-KL-8-G)— 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 2.3 GB i generując w przybliżeniu 391 tokenów na sekundę. Dopasowanie jest komfortowe.

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