ADM kalkulator TPS

Otwórz wagi OpenAI 559M parametry May 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 · 66.0 tok/s

Najszybsza karta

B200

6,061 tok/s · 180 GB

Które GPU mogą uruchomić ADM?

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
6,061 tok/s

3,637–9,698 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.3 GB Q8_0 Wygodny
6,061 tok/s

3,637–9,698 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.3 GB Q8_0 Wygodny
4,840 tok/s

2,904–7,744 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Wygodny
4,840 tok/s

2,904–7,744 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Wygodny
3,871 tok/s

2,323–6,193 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.3 GB Q8_0 Wygodny
3,705 tok/s

2,223–5,928 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Wygodny
3,705 tok/s

2,223–5,928 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Wygodny
3,546 tok/s

2,128–5,673 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.3 GB Q8_0 Wygodny
3,147 tok/s

1,888–5,035 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Wygodny
3,147 tok/s

1,888–5,035 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Wygodny
3,147 tok/s

1,888–5,035 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Wygodny
2,985 tok/s

1,791–4,776 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.3 GB Q8_0 Wygodny
2,546 tok/s

1,527–4,073 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Wygodny
2,546 tok/s

1,527–4,073 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.3 GB Q8_0 Wygodny
2,546 tok/s

1,527–4,073 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Wygodny
2,546 tok/s

1,527–4,073 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Wygodny
2,546 tok/s

1,527–4,073 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Wygodny
1,938 tok/s

1,163–3,101 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Wygodny
1,938 tok/s

1,163–3,101 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Wygodny
1,615 tok/s

969–2,585 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.3 GB Q8_0 Wygodny
1,581 tok/s

949–2,529 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.3 GB Q8_0 Wygodny
1,546 tok/s

927–2,473 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.3 GB Q8_0 Wygodny
1,546 tok/s

927–2,473 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.3 GB Q8_0 Wygodny
1,546 tok/s

927–2,473 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.3 GB Q8_0 Wygodny
1,546 tok/s

927–2,473 · niska pewność

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.3 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
OpenAI
Typ organizacji
Industry
Kraj
United States of America
Opublikowany
11 May 2021
Autorzy
Prafulla Dhariwal, Alex Nichol

Co to robi

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

Domena
Image generation
Zadanie
Image generation, Text-to-image
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
559M

Largest model is denoted ImageNet 512, has 559M parameters

Dane treningowe
130,191,200,000,000 tokens

Biggest models are trained on ImageNet 512x512. ImageNet ILSVRC has 1,281,167 images in the training set, but it is possible some were filtered due to size. Note that a smaller model was trained on LSUN {bedroom, horse, cat}, which forms a larger dataset: 3,033,042 + 2,000,340 + 1,657,266 = 6,690,648 images Epochs ≈ (1,940,000 * 256) / 1,300,000 ≈ 381 epochs

Epoki
381

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
6.2 × 10²¹ FLOP

Largest run with their architecture improvements is the ImageNet 512 variant. Table 7 suggests utilization is around 30% for largest models (though we only see 256 x 256 and 128 -> 512) Table 10: ImageNet 512 variant took 1914 V100-days of training 125e12 FLOP/sec * 1914 days * 24 h/day * 3600 sec/h * 0.3 = 6.2e21

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 V100
Koszt obliczeniowy
$11,274

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 source

These models are intended to be used for research purposes only. In particular, they can be used as a baseline for generative modeling research, or as a starting point to build off of for such research. These models are not intended to be commercially deployed. Additionally, they are not intended to be used to create propaganda or offensive imagery. repo is here with training code, MIT License https://github.com/openai/guided-diffusion

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

"We show that diffusion models can achieve image sample quality superior to the current state-of-the-art generative models"

Zapisz pewność
Confident
Cytaty
11,766

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
Diffusion Models Beat GANs on Image Synthesis
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają ADM

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 6,061 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 6,061 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,840 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,871 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,705 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,546 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 3,147 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 3,147 tok/s

Najmniejsze GPU, które nadal działają ADM

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 1.3 GB · Q8_0 · Wygodny 72.7 tok/s
  2. 02 RTX A400 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 72.7 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 97.0 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 145 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 25.8 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 75.6 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 85.1 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 75.6 tok/s
  9. 09 Arc A310 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 61.1 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 1.3 GB · Q8_0 · Wygodny 63.0 tok/s

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.3 GB

Najszybszy

6,061 tok/s

ADM osiąga liczbę parametrów równą 559M. 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 66.0 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 6,061 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

ADM został opublikowany przez OpenAI, w kraju zapisanym jako United States of America, podczas May 2021. Organizacja publikująca jest klasyfikowana jako industry.

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

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

Jak szybko działa i dlaczego

Połowa kart, które go trzymają, osiąga więcej niż 170.2 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 809 ich

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

Szkolenie i pochodzenie

Wytworzenie tego wymagało arytmetyki sumującej około 6.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 130,191,200,000,000 Tokeny tekstu.

Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited,SOTA improvement.

Krok po kroku

Jak wybrać GPU do ADM

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 ADM, potrzebując około 1.3 GB przy kompresji Q8_0. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.

  2. 02

    Zdecyduj, jak długo trwają twoje rozmowy

    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 ADM.

  3. 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.

  4. 04

    Oceń według przepustowości, a nie kart specyfikacji

    Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla ADM. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 6,061 tok/s

  5. 05

    Sprawdź werdykt dopasowania przed zakupem

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

    Sprawdź kartę z drugiej strony

    Każda strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza ADM.

Odpowiedzi

ADM — częste pytania

01

ADM— 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 1.3 GB i generując w przybliżeniu 1,129 tokenów na sekundę. Dopasowanie jest komfortowe.

02

ADM— 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 1.3 GB i generując w przybliżeniu 691 tokenów na sekundę. Dopasowanie jest komfortowe.

03

ADM— 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 1.3 GB i generując w przybliżeniu 856 tokenów na sekundę. Dopasowanie jest komfortowe.

04

ADM— 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 1.3 GB i generując w przybliżeniu 1,015 tokenów na sekundę. Dopasowanie jest komfortowe.

05

ADM— 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.

06

ADM— ile ma parametrów?

Ma liczbę parametrów równą 559M. Largest model is denoted ImageNet 512, has 559M parameters. 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.

07

ADM— kto to stworzył?

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

08

ADM— kiedy to zostało wydane?

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

09

ADM— 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.

10

ADM— Gdzie mogę to pobrać?

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

11

ADM— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 6.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. 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.

12

ADM— 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.

13

ADM— 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.

14

ADM— 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.

15

ADM— 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: 3,637–9,698 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

16

ADM— 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 1.3 GB, i produkuje w przybliżeniu 66.0 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

17

ADM— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 6,061 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.

18

ADM— Ile VRAM-u potrzebuje?

Potrzebuje około 1.3 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.

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