CLIP (ViT L/14@336px) kalkulator TPS

Otwórz wagi OpenAI 370M parametry January 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 · 99.6 tok/s

Najszybsza karta

B200

9,157 tok/s · 180 GB

Które GPU mogą uruchomić CLIP (ViT L/14@336px)?

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
9,157 tok/s

5,494–14,652 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Wygodny
9,157 tok/s

5,494–14,652 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Wygodny
7,312 tok/s

4,387–11,700 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Wygodny
7,312 tok/s

4,387–11,700 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Wygodny
5,848 tok/s

3,509–9,357 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
5,597 tok/s

3,358–8,956 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Wygodny
5,597 tok/s

3,358–8,956 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Wygodny
5,357 tok/s

3,214–8,571 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Wygodny
4,754 tok/s

2,853–7,607 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
4,754 tok/s

2,853–7,607 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
4,754 tok/s

2,853–7,607 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
4,510 tok/s

2,706–7,216 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,846 tok/s

2,308–6,154 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,846 tok/s

2,308–6,154 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Wygodny
3,846 tok/s

2,308–6,154 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,846 tok/s

2,308–6,154 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,846 tok/s

2,308–6,154 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
2,929 tok/s

1,757–4,686 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Wygodny
2,929 tok/s

1,757–4,686 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Wygodny
2,440 tok/s

1,464–3,905 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
2,388 tok/s

1,433–3,821 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
2,335 tok/s

1,401–3,736 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Wygodny
2,335 tok/s

1,401–3,736 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Wygodny
2,335 tok/s

1,401–3,736 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Wygodny
2,335 tok/s

1,401–3,736 · niska pewność

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
5 January 2021
Autorzy
Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger, Ilya Sutskever

Co to robi

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

Domena
Multimodal, Vision, Language, Video
Zadanie
Zero-shot image classification, Character recognition (OCR), Video description
Podejście
Self-supervised learning
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
370M

Image encoder Vision Transformer Table 1 in https://arxiv.org/pdf/2010.11929.pdf Authors fine-tuned ViT L/14 at additional 336px resolution, hence the @336 (See ViT) 307M params Text encoder ~Transformer (from paper) 63M params

Dane treningowe
400,000,000 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
1 × 10²² FLOP

https://docs.google.com/document/d/156miAJkFN9DDX06C3s03UDsretCtymCKiGDddLBCgQE/edit?usp=sharing

Jak to zostało ustalone
Third-party estimation

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
Zastosowane chipy
256
Czas rzeczywisty
288 hours (12 days)

“The largest ResNet model, RN50x64, took 18 days to train on 592 V100 GPUs while the largest Vision Transformer took 12 days on 256 V100 GPUs”

Pobór mocy
155.9 kW
Koszt obliczeniowy
$24,639

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
Unreleased

MIT License https://github.com/OpenAI/CLIP

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

"The best-performing CLIP model, using ViT-L/14 archiecture and 336-by-336 pixel images, achieved the state of the art in 21 of the 27 datasets, i.e. included in the Clopper-Pearson 99.5% confidence interval around each dataset’s top score. " "On STL10, CLIP achieves 99.3% overall which appears to be a new state of the art despite not using any training examples. "

Zapisz pewność
Confident
Cytaty
48,743

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
Learning Transferable Visual Models From Natural Language Supervision
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają CLIP (ViT L/14@336px)

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 9,157 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 9,157 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 7,312 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 7,312 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,848 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 5,597 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 5,597 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,357 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,754 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,754 tok/s

Najmniejsze GPU, które nadal działają CLIP (ViT L/14@336px)

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 1.1 GB · Q8_0 · Wygodny 110 tok/s
  2. 02 RTX A400 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 110 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 147 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 220 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 39.0 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 114 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 129 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 114 tok/s
  9. 09 Arc A310 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 92.3 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 95.2 tok/s

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.1 GB

Najszybszy

9,157 tok/s

CLIP (ViT L/14@336px) osiąga liczbę parametrów równą 370M. 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 99.6 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 9,157 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

CLIP (ViT L/14@336px) został opublikowany przez OpenAI, w kraju zapisanym jako United States of America, podczas January 2021. Kategoria, do której należy wydawca, to industry.

Działa w dziedzinie Multimodal, Vision, Language, Video, i jest zapisany jako wykonujący zadanie zero-shot image classification, Character recognition (OCR), Video description.

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

Jak szybko działa i dlaczego

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 257.1 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 817 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 1 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Trening zużył korpus około 400,000,000 Tokeny tekstu.

Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited,SOTA improvement.

Krok po kroku

Jak wybrać GPU do CLIP (ViT L/14@336px)

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

  1. 01

    Sprawdź, co potrzebuje przed wszystkim innym.

    Każda karta tutaj została sprawdzona pod kątem CLIP (ViT L/14@336px), potrzebując około 1.1 GB przy kompresji Q8_0. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.

  2. 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. CLIP (ViT L/14@336px).

  3. 03

    Ustal minimalną jakość

    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

    Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

    Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla CLIP (ViT L/14@336px). Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 9,157 tok/s

  5. 05

    Zwróć uwagę na margines, a nie tylko na dopasowanie

    Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku CLIP (ViT L/14@336px). 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 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 CLIP (ViT L/14@336px).

Odpowiedzi

CLIP (ViT L/14@336px) — częste pytania

01

CLIP (ViT L/14@336px)— ile ma parametrów?

Ma liczbę parametrów równą 370M. Image encoder Vision Transformer Table 1 in https://arxiv.org/pdf/2010.11929.pdf Authors fine-tuned ViT L/14 at additional 336px resolution, hence the @336 (See ViT) 307M params Text encoder ~Transformer (from paper) 63M params. 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.

02

CLIP (ViT L/14@336px)— kto to stworzył?

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

03

CLIP (ViT L/14@336px)— kiedy to zostało wydane?

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

04

CLIP (ViT L/14@336px)— do czego to służy?

Działa w dziedzinie Multimodal, Vision, Language, Video, i jest zarejestrowany jako realizujący zadanie zero-shot image classification, Character recognition (OCR), Video description. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

05

CLIP (ViT L/14@336px)— Gdzie mogę to pobrać?

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

06

CLIP (ViT L/14@336px)— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1 × 10²² 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.

07

CLIP (ViT L/14@336px)— 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.

08

CLIP (ViT L/14@336px)— 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.

09

CLIP (ViT L/14@336px)— 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.

10

CLIP (ViT L/14@336px)— 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: 5,494–14,652 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

11

CLIP (ViT L/14@336px)— 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 1.1 GB, i produkuje w przybliżeniu 99.6 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

12

CLIP (ViT L/14@336px)— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 9,157 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.

13

CLIP (ViT L/14@336px)— Ile VRAM-u potrzebuje?

Potrzebuje około 1.1 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.

14

CLIP (ViT L/14@336px)— 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 1.1 GB i generując w przybliżeniu 1,706 tokenów na sekundę. Dopasowanie jest komfortowe.

15

CLIP (ViT L/14@336px)— 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 1.1 GB i generując w przybliżeniu 1,044 tokenów na sekundę. Dopasowanie jest komfortowe.

16

CLIP (ViT L/14@336px)— 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 1.1 GB i generując w przybliżeniu 1,293 tokenów na sekundę. Dopasowanie jest komfortowe.

17

CLIP (ViT L/14@336px)— 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 1.1 GB i generując w przybliżeniu 1,534 tokenów na sekundę. Dopasowanie jest komfortowe.

18

CLIP (ViT L/14@336px)— 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.

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