Adaptive Inputs + LayerDrop kalkulator TPS

Otwórz wagi Facebook AI Research,LORIA 423M parametry September 2019

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 · 87.2 tok/s

Najszybsza karta

B200

8,010 tok/s · 180 GB

Które GPU mogą uruchomić Adaptive Inputs + LayerDrop?

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
8,010 tok/s 4,806–12,816 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.2 GB	Q8_0	Wygodny
8,010 tok/s 4,806–12,816 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.2 GB	Q8_0	Wygodny
6,396 tok/s 3,838–10,234 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.2 GB	Q8_0	Wygodny
6,396 tok/s 3,838–10,234 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.2 GB	Q8_0	Wygodny
5,115 tok/s 3,069–8,185 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.2 GB	Q8_0	Wygodny
4,896 tok/s 2,938–7,834 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.2 GB	Q8_0	Wygodny
4,896 tok/s 2,938–7,834 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.2 GB	Q8_0	Wygodny
4,686 tok/s 2,812–7,497 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.2 GB	Q8_0	Wygodny
4,159 tok/s 2,495–6,654 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.2 GB	Q8_0	Wygodny
4,159 tok/s 2,495–6,654 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.2 GB	Q8_0	Wygodny
4,159 tok/s 2,495–6,654 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.2 GB	Q8_0	Wygodny
3,945 tok/s 2,367–6,312 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.2 GB	Q8_0	Wygodny
3,364 tok/s 2,019–5,383 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.2 GB	Q8_0	Wygodny
3,364 tok/s 2,019–5,383 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.2 GB	Q8_0	Wygodny
3,364 tok/s 2,019–5,383 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.2 GB	Q8_0	Wygodny
3,364 tok/s 2,019–5,383 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.2 GB	Q8_0	Wygodny
3,364 tok/s 2,019–5,383 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.2 GB	Q8_0	Wygodny
2,562 tok/s 1,537–4,099 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.2 GB	Q8_0	Wygodny
2,562 tok/s 1,537–4,099 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.2 GB	Q8_0	Wygodny
2,135 tok/s 1,281–3,415 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.2 GB	Q8_0	Wygodny
2,089 tok/s 1,253–3,343 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.2 GB	Q8_0	Wygodny
2,043 tok/s 1,226–3,268 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.2 GB	Q8_0	Wygodny
2,043 tok/s 1,226–3,268 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.2 GB	Q8_0	Wygodny
2,043 tok/s 1,226–3,268 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.2 GB	Q8_0	Wygodny
2,043 tok/s 1,226–3,268 · 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: Facebook AI Research,LORIA
Typ organizacji: Industry,Academia
Kraj: United States of America, France
Opublikowany: 25 September 2019
Autorzy: Angela Fan, Edouard Grave, Armand Joulin

Co to robi

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

Domena: Language
Zadanie: Language modeling/generation, Translation, Question answering, Text summarization, Language modeling

Rozmiar

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

parametry: 423M
Dane treningowe: 103,000,000 tokens

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

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
Zapisz pewność: Confident
Cytaty: 702
Dane benchmarkowe: Adaptive Inputs + LayerDrop

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Reducing Transformer Depth on Demand with Structured Dropout
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Adaptive Inputs + LayerDrop

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 Adaptive Inputs + LayerDrop

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

Co oznaczają liczby

Strona sprzętowa

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.2 GB

Najszybszy

8,010 tok/s

Adaptive Inputs + LayerDrop osiąga liczbę parametrów równą 423M. 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.

Na niskim końcu obsługiwane jest przez Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 87.2 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 8,010 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

Adaptive Inputs + LayerDrop został opublikowany przez Facebook AI Research,LORIA, w kraju zapisanym jako United States of America, podczas September 2019. Wychodzi z organizacji zaklasyfikowanej jako industry,Academia.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation, Translation, Question answering, Text summarization, Language modeling.

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

Zrozumienie prędkości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 224.9 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 817 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.

Jak to zostało wytrenowane

Został wytrenowany na korpusie około 103,000,000 Tokeny tekstu.

Kryterium włączenia: sOTA improvement.

Krok po kroku

Jak wybrać GPU do Adaptive Inputs + LayerDrop

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

01

Sprawdź, co potrzebuje przed wszystkim innym.

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu Adaptive Inputs + LayerDrop, potrzebując około 1.2 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.
02

Ustaw długość kontekstu, z którą będziesz pracować

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. Adaptive Inputs + LayerDrop.
03

Ustal minimalną jakość

Kompresja to to, co sprawia, że model mieści się w mniejszych KARTACH, kosztem pewnej dokładności., 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

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. Adaptive Inputs + LayerDrop. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 8,010 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku Adaptive Inputs + LayerDrop. 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

Otwórz kartę, na którą się zdecydowałeś

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 Adaptive Inputs + LayerDrop.

Odpowiedzi

Adaptive Inputs + LayerDrop — częste pytania

Adaptive Inputs + LayerDrop— 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 1,342 tokenów na sekundę. Dopasowanie jest komfortowe.

Adaptive Inputs + LayerDrop— 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.

Adaptive Inputs + LayerDrop— ile ma parametrów?

Ma liczbę parametrów równą 423M. 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.

Adaptive Inputs + LayerDrop— kto to stworzył?

Zostało opublikowane przez Facebook AI Research,LORIA, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.

Adaptive Inputs + LayerDrop— kiedy to zostało wydane?

Zostało opublikowane w September 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Adaptive Inputs + LayerDrop— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Translation, Question answering, Text summarization, Language modeling. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

Adaptive Inputs + LayerDrop— Gdzie mogę to pobrać?

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

Adaptive Inputs + LayerDrop— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Częściowo. Warstwy, które nie mieszczą się w GPU VRAM, znajdują się w pamięci systemu i działają z ułamkową prędkością, więc model, który jest w dużej mierze przeniesiony, rzadko jest wart używania. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Adaptive Inputs + LayerDrop— 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.

Adaptive Inputs + LayerDrop— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Adaptive Inputs + LayerDrop— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 4,806–12,816 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Adaptive Inputs + LayerDrop— 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 87.2 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

Adaptive Inputs + LayerDrop— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 8,010 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.

Adaptive Inputs + LayerDrop— 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.

Adaptive Inputs + LayerDrop— 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 1,492 tokenów na sekundę. Dopasowanie jest komfortowe.

Adaptive Inputs + LayerDrop— 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 914 tokenów na sekundę. Dopasowanie jest komfortowe.

Adaptive Inputs + LayerDrop— 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 1,131 tokenów na sekundę. Dopasowanie jest komfortowe.

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