Masked Autoencoders ViT-H kalkulator TPS

Otwórz wagi Facebook AI Research 632M parametry November 2021

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 · 58.3 tok/s

Najszybsza karta

B200

5,361 tok/s · 180 GB

Które GPU mogą uruchomić Masked Autoencoders ViT-H?

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
5,361 tok/s 3,217–8,578 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.4 GB	Q8_0	Wygodny
5,361 tok/s 3,217–8,578 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.4 GB	Q8_0	Wygodny
4,281 tok/s 2,569–6,850 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Wygodny
4,281 tok/s 2,569–6,850 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Wygodny
3,424 tok/s 2,054–5,478 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.4 GB	Q8_0	Wygodny
3,277 tok/s 1,966–5,243 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Wygodny
3,277 tok/s 1,966–5,243 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Wygodny
3,136 tok/s 1,882–5,018 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.4 GB	Q8_0	Wygodny
2,783 tok/s 1,670–4,453 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Wygodny
2,783 tok/s 1,670–4,453 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Wygodny
2,783 tok/s 1,670–4,453 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Wygodny
2,640 tok/s 1,584–4,225 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.4 GB	Q8_0	Wygodny
2,252 tok/s 1,351–3,603 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Wygodny
2,252 tok/s 1,351–3,603 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.4 GB	Q8_0	Wygodny
2,252 tok/s 1,351–3,603 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Wygodny
2,252 tok/s 1,351–3,603 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Wygodny
2,252 tok/s 1,351–3,603 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Wygodny
1,714 tok/s 1,029–2,743 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Wygodny
1,714 tok/s 1,029–2,743 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Wygodny
1,429 tok/s 857–2,286 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.4 GB	Q8_0	Wygodny
1,398 tok/s 839–2,237 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.4 GB	Q8_0	Wygodny
1,367 tok/s 820–2,187 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.4 GB	Q8_0	Wygodny
1,367 tok/s 820–2,187 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.4 GB	Q8_0	Wygodny
1,367 tok/s 820–2,187 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.4 GB	Q8_0	Wygodny
1,367 tok/s 820–2,187 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.4 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: Facebook AI Research
Typ organizacji: Industry
Kraj: United States of America, France
Opublikowany: 11 November 2021
Autorzy: Kaiming He, Xinlei Chen, Saining Xie, Yanghao Li, Piotr Dollár, Ross Girshick

Co to robi

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

Domena: Vision
Zadanie: Semantic segmentation, Image classification, Image generation
Podejście: Self-supervised learning
Model bazowy: ViT-Huge/14

Rozmiar

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

parametry: 632M
Dane treningowe: 327,978,752 tokens
Epoki: 1,600

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: 4.6 × 10²⁰ FLOP
Jak to zostało ustalone: Hardware,Operation counting

Przebieg szkolenia

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

Czas rzeczywisty: 69 hours

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: Open (non-commercial)

Jak jest klasyfikowane

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

Dlaczego to jest śledzone: Highly cited,SOTA improvement
Zapisz pewność: Speculative
Cytaty: 11,449

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Masked Autoencoders Are Scalable Vision Learners
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Masked Autoencoders ViT-H

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 Masked Autoencoders ViT-H

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.4 GB

Najszybszy

5,361 tok/s

Masked Autoencoders ViT-H osiąga liczbę parametrów równą 632M. 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.

Najmniejsza karta, która to utrzymuje, to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 58.3 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 5,361 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

Masked Autoencoders ViT-H został opublikowany przez Facebook AI Research, w kraju zapisanym jako United States of America, podczas November 2021. Kategoria, do której należy wydawca, to industry.

Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie semantic segmentation, Image classification, Image generation.

Zamiast być trenowanym od podstaw, pochodzi z ViT-Huge/14. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.

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

Zrozumienie prędkości

Mediana wyniku wynosi około 150.5 tokenów na sekundę 809 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

Wytworzenie tego wymagało arytmetyki sumującej około 4.6 × 10²⁰ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Trening zużył korpus około 327,978,752 Tokeny tekstu.

Kryterium włączenia: highly cited,SOTA improvement.

Krok po kroku

Jak wybrać GPU do Masked Autoencoders ViT-H

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

01

Przeczytaj najpierw liczbę pamięci

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu Masked Autoencoders ViT-H, potrzebując około 1.4 GB przy kompresji Q8_0. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Zdecyduj, jak długo trwają twoje rozmowy

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. Masked Autoencoders ViT-H.
03

Wybierz, jak daleko chcesz to skompresować.

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

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. Masked Autoencoders ViT-H. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 5,361 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku Masked Autoencoders ViT-H. 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 Masked Autoencoders ViT-H.

Odpowiedzi

Masked Autoencoders ViT-H — częste pytania

Masked Autoencoders ViT-H— Gdzie mogę to pobrać?

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

Masked Autoencoders ViT-H— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 4.6 × 10²⁰ 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.

Masked Autoencoders ViT-H— 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. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— 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: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Masked Autoencoders ViT-H— 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: 3,217–8,578 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Masked Autoencoders ViT-H— 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 1.4 GB, i produkuje w przybliżeniu 58.3 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

Masked Autoencoders ViT-H— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 5,361 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 809.

Masked Autoencoders ViT-H— Ile VRAM-u potrzebuje?

Potrzebuje około 1.4 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.

Masked Autoencoders ViT-H— 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 1.4 GB i generując w przybliżeniu 999 tokenów na sekundę. Dopasowanie jest komfortowe.

Masked Autoencoders ViT-H— 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 1.4 GB i generując w przybliżeniu 611 tokenów na sekundę. Dopasowanie jest komfortowe.

Masked Autoencoders ViT-H— 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 1.4 GB i generując w przybliżeniu 757 tokenów na sekundę. Dopasowanie jest komfortowe.

Masked Autoencoders ViT-H— 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 1.4 GB i generując w przybliżeniu 898 tokenów na sekundę. Dopasowanie jest komfortowe.

Masked Autoencoders ViT-H— 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.

Masked Autoencoders ViT-H— ile ma parametrów?

Ma liczbę parametrów równą 632M. Three models: ViT-B (86M), ViT-L (304M), ViT-H (632M). 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.

Masked Autoencoders ViT-H— kto to stworzył?

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

Masked Autoencoders ViT-H— kiedy to zostało wydane?

Zostało opublikowane w November 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Masked Autoencoders ViT-H— do czego to służy?

Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie semantic segmentation, Image classification, Image generation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

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