German ELECTRA 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 German ELECTRA Large?

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
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), Text classification

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

335M from Table 5

Dane treningowe
36,383,733,333 tokens

163.4GB from Table 1 in the paper assuming 167M words per GB (German Language) we have 163.4 * 167M * 4/3 tokens per word = 36,383,733,333

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
1.4 × 10²¹ FLOP

flops = (64) * (123* 10**12) * (7 * 24 * 3600) * (0.3) = 1.4e21 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) 'large models were trained on pods of 16 TPUs v3 (128 cores).' - from section 4.1 it was trained for 7 days from Table 2 Agrees with 6CN: Tokens seen: 512 (seq len) * 1024 (batch size) * 1 million (steps) = 5.24e11 FLOPs: 6 * 335M * 5.24e11 = 1.05e21

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
Google TPU v3
Zastosowane chipy
64
Czas-chip
10,752
Czas rzeczywisty
168 hours (7 days)

7 days from Table 2

Pobór mocy
58.6 kW
Koszt obliczeniowy
$2,392

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: https://huggingface.co/deepset/gelectra-large

Hugging Face
deepset

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

'we were able to attain SoTA performance across a set of document classification and named entity recognition (NER) tasks for both models of base and large size.'

Zapisz pewność
Confident
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 German ELECTRA 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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 10,114 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 10,114 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 8,076 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 6,459 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 6,182 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 5,917 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,251 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,251 tok/s

Najmniejsze GPU, które nadal działają German ELECTRA Large

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 121 tok/s
  2. 02 RTX A400 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 121 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 162 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 243 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 43.1 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 126 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 142 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 126 tok/s
  9. 09 Arc A310 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 102 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 105 tok/s

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.1 GB

Najszybszy

10,114 tok/s

German ELECTRA 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.

Najmniejszy sprzęt, który działa, 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.

Co to jest model?

German ELECTRA Large został opublikowany przez deepset,Bayerische Staatsbibliothek Muenchen, w kraju zapisanym jako Germany, podczas October 2020. Kategoria, do której należy wydawca, to industry,Government.

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

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć. Na Hugging Face jest opublikowane pod organizacją deepset.

Co decyduje o szybkości

Mediana wyniku wynosi około 284.0 tokenów na sekundę 818 ich

Będąc gęstym, odczytuje każdą swoją część po tokenie, dlatego poniższe uporządkowanie według szybkości tak ściśle pokrywa się z uporządkowaniem według 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

Trenowanie zajęło budżet obliczeniowy wynoszący około 1.4 × 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.

Trening zużył korpus około 36,383,733,333 Tokeny tekstu.

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

Krok po kroku

Jak wybrać GPU do German ELECTRA Large

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.

    Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu German ELECTRA Large, potrzebując około 1.1 GB przy kompresji Q8_0. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.

  2. 02

    Dopasuj kontekst do swojego rzeczywistego użycia

    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 German ELECTRA Large.

  3. 03

    Zdecyduj, ile kompresji zaakceptujesz

    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

    Oceń według przepustowości, a nie kart specyfikacji

    Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla German ELECTRA 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

  5. 05

    Sprawdź werdykt dopasowania przed zakupem

    Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku German ELECTRA 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.

  6. 06

    Otwórz kartę, na którą się zdecydowałeś

    Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o German ELECTRA Large.

Odpowiedzi

German ELECTRA Large — częste pytania

01

German ELECTRA Large— 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.

02

German ELECTRA Large— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. 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.

03

German ELECTRA 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.

04

German ELECTRA 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.

05

German ELECTRA 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.

06

German ELECTRA 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.

07

German ELECTRA 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.

08

German ELECTRA 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.

09

German ELECTRA 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.

10

German ELECTRA 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.

11

German ELECTRA 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.

12

German ELECTRA Large— kto to stworzył?

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

13

German ELECTRA 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.

14

German ELECTRA Large— do czego to służy?

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

15

German ELECTRA Large— Gdzie mogę to pobrać?

Jego wagi są publikowane na Hugging Face, pod organizacją deepset. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.

16

German ELECTRA Large— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.4 × 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.

17

German ELECTRA Large— 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.

18

German ELECTRA 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.

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