ViT-G (model soup) kalkulator TPS

Otwórz wagi University of Washington,Columbia University,Google,Meta AI,Tel Aviv University 1.8B parametry March 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 · 20.0 tok/s

Najszybsza karta

B200

1,838 tok/s · 180 GB

Które GPU mogą uruchomić ViT-G (model soup)?

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
1,838 tok/s 1,103–2,942 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.7 GB	Q8_0	Wygodny
1,838 tok/s 1,103–2,942 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.7 GB	Q8_0	Wygodny
1,468 tok/s 881–2,349 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Wygodny
1,468 tok/s 881–2,349 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Wygodny
1,174 tok/s 704–1,879 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.7 GB	Q8_0	Wygodny
1,124 tok/s 674–1,798 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Wygodny
1,124 tok/s 674–1,798 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Wygodny
1,075 tok/s 645–1,721 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.7 GB	Q8_0	Wygodny
954 tok/s 573–1,527 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Wygodny
954 tok/s 573–1,527 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Wygodny
954 tok/s 573–1,527 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Wygodny
905 tok/s 543–1,449 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.7 GB	Q8_0	Wygodny
772 tok/s 463–1,235 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Wygodny
772 tok/s 463–1,235 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.7 GB	Q8_0	Wygodny
772 tok/s 463–1,235 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Wygodny
772 tok/s 463–1,235 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Wygodny
772 tok/s 463–1,235 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Wygodny
588 tok/s 353–941 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Wygodny
588 tok/s 353–941 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Wygodny
490 tok/s 294–784 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.7 GB	Q8_0	Wygodny
479 tok/s 288–767 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.7 GB	Q8_0	Wygodny
469 tok/s 281–750 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.7 GB	Q8_0	Wygodny
469 tok/s 281–750 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.7 GB	Q8_0	Wygodny
469 tok/s 281–750 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.7 GB	Q8_0	Wygodny
469 tok/s 281–750 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.7 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: University of Washington,Columbia University,Google,Meta AI,Tel Aviv University
Typ organizacji: Academia,Academia,Industry,Industry,Academia
Kraj: United States of America, Israel
Opublikowany: 10 March 2022
Autorzy: Mitchell Wortsman, Gabriel Ilharco, Samir Yitzhak Gadre, Rebecca Roelofs, Raphael Gontijo-Lopes, Ari S. Morcos, Hongseok Namkoong, Ali Farhadi, Yair Carmon, Simon Kornblith, Ludwig Schmidt

Co to robi

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

Domena: Vision
Zadanie: Image classification

Rozmiar

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

parametry: 1.8B
Dane treningowe: 1,752,320,000 tokens
Epoki: 8

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: 3.4 × 10²¹ FLOP
Jak to zostało ustalone: Operation counting

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.

Dlaczego to jest śledzone: SOTA improvement
Zapisz pewność: Confident
Cytaty: 1,499

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają ViT-G (model soup)

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 ViT-G (model soup)

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

Tesla C1080

Pamięć potrzebna

2.7 GB

Najszybszy

1,838 tok/s

ViT-G (model soup) osiąga liczbę parametrów równą 1.8B. 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.

Punkt wejścia to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 20.0 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 1,838 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

ViT-G (model soup) został opublikowany przez University of Washington,Columbia University,Google,Meta AI,Tel Aviv University, w kraju zapisanym jako United States of America, podczas March 2022. Kategoria, do której należy wydawca, to academia,Academia,Industry,Industry,Academia.

Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.

Jak szybko działa i dlaczego

Połowa kart, które go trzymają, osiąga więcej niż 51.6 tokenów na sekundę 792 ich

To jest gęsty model, więc każdy parametr jest odczytywany dla każdego wyprodukowanego tokena. To sprawia, że prędkość śledzi przepustowość pamięci prawie dokładnie — karta z podwójną przepustowością generuje w przybliżeniu dwa razy szybciej.

Jej architektura wewnętrzna nie jest w naszej bazie danych, więc pamięć jest szacowana na podstawie liczby parametrów i odpowiednio oznaczona. Spodziewaj się, że rzeczywista wartość będzie się różnić, tym bardziej przy długim context length.

Co poszło w budowę tego

Trenowanie zajęło budżet obliczeniowy wynoszący około 3.4 × 10²¹ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Trening zużył korpus około 1,752,320,000 Tokeny tekstu.

Kryterium włączenia: sOTA improvement.

Krok po kroku

Jak wybrać GPU do ViT-G (model soup)

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

01

Zacznij od kolumny pamięci

Tabela zawiera każdą kartę, która jest w stanie pomieścić ViT-G (model soup), potrzebując około 2.7 GB przy kompresji Q8_0. 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 ViT-G (model soup).
03

Ustal minimalną jakość

Kompresja to to, co sprawia, że model mieści się w mniejszych KARTACH, kosztem pewnej dokładności., 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 ViT-G (model soup). Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 1,838 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku ViT-G (model soup). 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

Zobacz, co jeszcze ta karta uruchamia

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 ViT-G (model soup).

Odpowiedzi

ViT-G (model soup) — częste pytania

ViT-G (model soup)— do czego to służy?

Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

ViT-G (model soup)— Gdzie mogę to pobrać?

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

ViT-G (model soup)— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 3.4 × 10²¹ FLOP. 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.

ViT-G (model soup)— 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. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

ViT-G (model soup)— 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.

ViT-G (model soup)— 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: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

ViT-G (model soup)— 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: 1,103–2,942 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

ViT-G (model soup)— 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 2.7 GB, i produkuje w przybliżeniu 20.0 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

ViT-G (model soup)— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 1,838 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 792.

ViT-G (model soup)— Ile VRAM-u potrzebuje?

Potrzebuje około 2.7 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.

ViT-G (model soup)— 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 2.7 GB i generując w przybliżeniu 342 tokenów na sekundę. Dopasowanie jest komfortowe.

ViT-G (model soup)— 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 2.7 GB i generując w przybliżeniu 210 tokenów na sekundę. Dopasowanie jest komfortowe.

ViT-G (model soup)— 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 2.7 GB i generując w przybliżeniu 260 tokenów na sekundę. Dopasowanie jest komfortowe.

ViT-G (model soup)— 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 2.7 GB i generując w przybliżeniu 308 tokenów na sekundę. Dopasowanie jest komfortowe.

ViT-G (model soup)— 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.

ViT-G (model soup)— ile ma parametrów?

Ma liczbę parametrów równą 1.8B. This is from the original ViT-G paper. 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.

ViT-G (model soup)— kto to stworzył?

Zostało opublikowane przez University of Washington,Columbia University,Google,Meta AI,Tel Aviv University, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia,Industry,Industry,Academia.

ViT-G (model soup)— kiedy to zostało wydane?

Zostało opublikowane w March 2022. 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