EMDR kalkulator TPS

Otwórz wagi Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind 440M parametry June 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 · 83.8 tok/s

Najszybsza karta

B200

7,701 tok/s · 180 GB

Które GPU mogą uruchomić EMDR?

Ustaw wejścia, odczytaj odpowiedź.

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

818 karty pasują

Obliczanie
potrzeby Kwantyzacja Pasuje
7,701 tok/s

4,620–12,321 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.2 GB Q8_0 Wygodny
7,701 tok/s

4,620–12,321 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.2 GB Q8_0 Wygodny
6,149 tok/s

3,689–9,839 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Wygodny
6,149 tok/s

3,689–9,839 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.2 GB Q8_0 Wygodny
4,918 tok/s

2,951–7,868 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.2 GB Q8_0 Wygodny
4,707 tok/s

2,824–7,531 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Wygodny
4,707 tok/s

2,824–7,531 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.2 GB Q8_0 Wygodny
4,505 tok/s

2,703–7,208 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.2 GB Q8_0 Wygodny
3,998 tok/s

2,399–6,397 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Wygodny
3,998 tok/s

2,399–6,397 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Wygodny
3,998 tok/s

2,399–6,397 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.2 GB Q8_0 Wygodny
3,793 tok/s

2,276–6,068 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.2 GB Q8_0 Wygodny
3,234 tok/s

1,941–5,175 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Wygodny
3,234 tok/s

1,941–5,175 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.2 GB Q8_0 Wygodny
3,234 tok/s

1,941–5,175 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Wygodny
3,234 tok/s

1,941–5,175 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Wygodny
3,234 tok/s

1,941–5,175 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.2 GB Q8_0 Wygodny
2,463 tok/s

1,478–3,940 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Wygodny
2,463 tok/s

1,478–3,940 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.2 GB Q8_0 Wygodny
2,052 tok/s

1,231–3,284 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.2 GB Q8_0 Wygodny
2,008 tok/s

1,205–3,213 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.2 GB Q8_0 Wygodny
1,964 tok/s

1,178–3,142 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.2 GB Q8_0 Wygodny
1,964 tok/s

1,178–3,142 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.2 GB Q8_0 Wygodny
1,964 tok/s

1,178–3,142 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.2 GB Q8_0 Wygodny
1,964 tok/s

1,178–3,142 · niska pewność

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.2 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
Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind
Typ organizacji
Academia,Academia,Industry
Kraj
Canada, United Kingdom of Great Britain and Northern Ireland
Opublikowany
9 June 2021
Autorzy
Devendra Singh Sachan, Siva Reddy, William Hamilton, Chris Dyer, Dani Yogatama

Co to robi

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

Domena
Language
Zadanie
Question answering
Format numeryczny
FP16

Rozmiar

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

parametry
440M

Table 2

Dane treningowe
171,600,000,000 tokens

At the time of publication there were about 4B words (5.3B tokens) on English Wikipedia: https://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia#Yearly_statistics BookCorpus has about 1B words (1.3B tokens), C4 has about 156B tokens, and OpenWebText has about 9B tokens. From Table 6, it looks like all datasets were trained on for over one epoch. BERT: 1M steps, batches of 256, sequence length 256 = 65.5B tokens vs 6.6B in Wikipedia + BookCorpus ICT: 100k steps, batches of 4096, sequence leng…

Epoki
4.05

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
1.9 × 10²¹ FLOP

"We run all of our experiments on a machine with 96 CPUs, 1.3TB physical memory, and 16 A100 GPUs. We use PyTorch (Paszke et al., 2019) to implement our proposed model. With this hardware setup, our experiments on NQ and TriviaQA took approximately 25 hours to complete, while experiments on WebQ took roughly 8 hours to complete. Before supervised training, we also perform a one-time unsupervised MSS pre-training for 82,000 steps that took roughly 1 week." 1 week + 25 hours * 16 A100s = ~193 * 1…

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.

Sprzęt do trenowania
NVIDIA A100
Czas rzeczywisty
355 hours (14.8 days)

"We run all of our experiments on a machine with 96 CPUs, 1.3TB physical memory, and 16 A100 GPUs [...] our experiments on NQ and TriviaQA took approximately 25 hours to complete, while experiments on WebQ took roughly 8 hours to complete. Before supervised training, we also perform a one-time unsupervised MSS pre-training for 82,000 steps that took roughly 1 week" Additionally, they pre-trained BERT, ICT, and T5 models, which took a combined 8.733e20 FLOPs. On 16 A100s at 0.3 utilization, that…

Koszt obliczeniowy
$2,773

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

https://github.com/DevSinghSachan/emdr2 training scripts: https://github.com/DevSinghSachan/emdr2/tree/main/examples

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

"Experiments on three benchmark datasets demonstrate that our proposed method outperforms all existing approaches of comparable size by 2-3% absolute exact match points, achieving new state-of-the-art results."

Zapisz pewność
Confident
Cytaty
191

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
End-to-End Training of Multi-Document Reader and Retriever for Open-Domain Question Answering
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają EMDR

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 7,701 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 7,701 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,149 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,149 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 4,918 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,707 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,707 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,505 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 3,998 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 3,998 tok/s

Najmniejsze GPU, które nadal działają EMDR

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

  1. 01 GeForce RTX 4010 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 92.4 tok/s
  2. 02 RTX A400 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 92.4 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 123 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 185 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 32.8 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 96.1 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 108 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 96.1 tok/s
  9. 09 Arc A310 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 77.6 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 1.2 GB · Q8_0 · Wygodny 80.1 tok/s

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.2 GB

Najszybszy

7,701 tok/s

EMDR osiąga liczbę parametrów równą 440M. 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 83.8 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 7,701 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

EMDR został opublikowany przez Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind, w kraju zapisanym jako Canada, podczas June 2021. Organizacja publikująca jest klasyfikowana jako academia,Academia,Industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie question answering.

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 216.2 tokenów na sekundę 817 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.

Szkolenie i pochodzenie

Wytworzenie tego wymagało arytmetyki sumującej około 1.9 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 171,600,000,000 Tokeny tekstu.

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

Krok po kroku

Jak wybrać GPU do EMDR

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

  1. 01

    Przeczytaj najpierw liczbę pamięci

    Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu EMDR, potrzebując około 1.2 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.

  2. 02

    Zdecyduj, jak długo trwają twoje rozmowy

    Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla EMDR.

  3. 03

    Ustal minimalną jakość

    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.

  4. 04

    Sortuj według prędkości

    Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla EMDR. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 7,701 tok/s

  5. 05

    Przeczytaj kolumnę dopasowania jako ostatnią

    Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku EMDR. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.

  6. 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 EMDR.

Odpowiedzi

EMDR — częste pytania

01

EMDR— Ile VRAM-u potrzebuje?

Potrzebuje około 1.2 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.

02

EMDR— 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 1.2 GB i generując w przybliżeniu 1,434 tokenów na sekundę. Dopasowanie jest komfortowe.

03

EMDR— 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 1.2 GB i generując w przybliżeniu 878 tokenów na sekundę. Dopasowanie jest komfortowe.

04

EMDR— 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 1.2 GB i generując w przybliżeniu 1,088 tokenów na sekundę. Dopasowanie jest komfortowe.

05

EMDR— 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 1.2 GB i generując w przybliżeniu 1,290 tokenów na sekundę. Dopasowanie jest komfortowe.

06

EMDR— 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.

07

EMDR— ile ma parametrów?

Ma liczbę parametrów równą 440M. 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.

08

EMDR— kto to stworzył?

Zostało opublikowane przez Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),McGill University,DeepMind, oparty na Canada, organizacja sklasyfikowana jako academia,Academia,Industry.

09

EMDR— kiedy to zostało wydane?

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

10

EMDR— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie question answering. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

11

EMDR— Gdzie mogę to pobrać?

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

12

EMDR— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.9 × 10²¹ 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.

13

EMDR— 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.

14

EMDR— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

15

EMDR— 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.

16

EMDR— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 4,620–12,321 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

17

EMDR— 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 1.2 GB, i produkuje w przybliżeniu 83.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

18

EMDR— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 7,701 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 817.

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