GBERT-Large kalkulator TPS

Otwórz wagi deepset,Bayerische Staatsbibliothek Muenchen 335M parametry October 2020

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 · 110 tok/s

Najszybsza karta

B200

10,114 tok/s · 180 GB

Które GPU mogą uruchomić GBERT-Large?

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
10,114 tok/s 6,068–16,183 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.1 GB	Q8_0	Wygodny
10,114 tok/s 6,068–16,183 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.1 GB	Q8_0	Wygodny
8,076 tok/s 4,846–12,922 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.1 GB	Q8_0	Wygodny
8,076 tok/s 4,846–12,922 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.1 GB	Q8_0	Wygodny
6,459 tok/s 3,875–10,335 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.1 GB	Q8_0	Wygodny
6,182 tok/s 3,709–9,892 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.1 GB	Q8_0	Wygodny
6,182 tok/s 3,709–9,892 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.1 GB	Q8_0	Wygodny
5,917 tok/s 3,550–9,467 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.1 GB	Q8_0	Wygodny
5,251 tok/s 3,151–8,402 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Wygodny
5,251 tok/s 3,151–8,402 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Wygodny
5,251 tok/s 3,151–8,402 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Wygodny
4,981 tok/s 2,989–7,970 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.1 GB	Q8_0	Wygodny
4,248 tok/s 2,549–6,797 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Wygodny
4,248 tok/s 2,549–6,797 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.1 GB	Q8_0	Wygodny
4,248 tok/s 2,549–6,797 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Wygodny
4,248 tok/s 2,549–6,797 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Wygodny
4,248 tok/s 2,549–6,797 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Wygodny
3,235 tok/s 1,941–5,175 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.1 GB	Q8_0	Wygodny
3,235 tok/s 1,941–5,175 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.1 GB	Q8_0	Wygodny
2,695 tok/s 1,617–4,313 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.1 GB	Q8_0	Wygodny
2,638 tok/s 1,583–4,221 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.1 GB	Q8_0	Wygodny
2,579 tok/s 1,547–4,127 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.1 GB	Q8_0	Wygodny
2,579 tok/s 1,547–4,127 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.1 GB	Q8_0	Wygodny
2,579 tok/s 1,547–4,127 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.1 GB	Q8_0	Wygodny
2,579 tok/s 1,547–4,127 · 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: deepset,Bayerische Staatsbibliothek Muenchen
Typ organizacji: Industry,Government
Kraj: Germany
Opublikowany: 21 October 2020
Autorzy: Branden Chan, Stefan Schweter, Timo Möller

Co to robi

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

Domena: Language
Zadanie: Document classification, Named entity recognition (NER)

Rozmiar

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

parametry: 335M
Dane treningowe: 5,457,559,999 tokens
Rozmiar wsadu: 2,048

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: 2.2 × 10²¹ FLOP
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: Google TPU v3
Zastosowane chipy: 64
Czas-chip: 16,896
Czas rzeczywisty: 264 hours (11 days)
Pobór mocy: 58.6 kW
Koszt obliczeniowy: $3,771

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

Jak jest klasyfikowane

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

Zapisz pewność: Likely
Cytaty: 333

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: German's Next Language Model
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają GBERT-Large

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 GBERT-Large

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

1.1 GB

Najszybszy

10,114 tok/s

GBERT-Large osiąga liczbę parametrów równą 335M. 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 110 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 10,114 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

GBERT-Large został opublikowany przez deepset,Bayerische Staatsbibliothek Muenchen, w kraju zapisanym jako Germany, podczas October 2020. Wychodzi z organizacji zaklasyfikowanej jako industry,Government.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie document classification, Named entity recognition (NER).

Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi.

Jak szybko działa i dlaczego

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 284.0 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 818 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.

Jak to zostało wytrenowane

Wytworzenie tego wymagało arytmetyki sumującej około 2.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 5,457,559,999 Tokeny tekstu.

Krok po kroku

Jak wybrać GPU do GBERT-Large

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 GBERT-Large, potrzebując około 1.1 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

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla GBERT-Large.
03

Zdecyduj, ile kompresji zaakceptujesz

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

Sortuj według prędkości

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla GBERT-Large. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 10,114 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

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

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 GBERT-Large.

Odpowiedzi

GBERT-Large — częste pytania

GBERT-Large— Gdzie mogę to pobrać?

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

GBERT-Large— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 2.2 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. 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.

GBERT-Large— 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.

GBERT-Large— 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.

GBERT-Large— 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.

GBERT-Large— 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: 6,068–16,183 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

GBERT-Large— 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 110 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

GBERT-Large— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 10,114 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 818.

GBERT-Large— 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.

GBERT-Large— 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 1,884 tokenów na sekundę. Dopasowanie jest komfortowe.

GBERT-Large— 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 1,154 tokenów na sekundę. Dopasowanie jest komfortowe.

GBERT-Large— 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 1,429 tokenów na sekundę. Dopasowanie jest komfortowe.

GBERT-Large— 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 1,694 tokenów na sekundę. Dopasowanie jest komfortowe.

GBERT-Large— 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.

GBERT-Large— ile ma parametrów?

Ma liczbę parametrów równą 335M. 335M from Table 5. 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.

GBERT-Large— kto to stworzył?

Zostało opublikowane przez deepset,Bayerische Staatsbibliothek Muenchen, oparty na Germany, organizacja sklasyfikowana jako industry,Government.

GBERT-Large— kiedy to zostało wydane?

Zostało opublikowane w October 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

GBERT-Large— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie document classification, Named entity recognition (NER). Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

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