dots.llm1 kalkulator TPS

Otwórz wagi Rednote 142B parametry July 2025

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

37 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

A100 SXM4 80 GB

80 GB · Q3_K_M · 16.4 tok/s

Najszybsza karta

H100 NVL 94 GB

28.9 tok/s · 94 GB

Które GPU mogą uruchomić dots.llm1?

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.

37 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
28.9 tok/s 17–46 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	78.3 GB	IQ4_XS	Wąski
27.2 tok/s 16–44 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	103.1 GB	Q5_K_M	Wąski
27.0 tok/s 16–43 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	70.1 GB	Q3_K_M	Wąski
27.0 tok/s 16–43 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	70.1 GB	Q3_K_M	Wąski
24.6 tok/s 15–39 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Wąski
24.6 tok/s 15–39 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Wąski
24.6 tok/s 15–39 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	78.3 GB	IQ4_XS	Wąski
23.9 tok/s 14–38 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	152.7 GB	Q8_0	Wąski
23.9 tok/s 14–38 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	152.7 GB	Q8_0	Wygodny
22.1 tok/s 13–35 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	103.1 GB	Q5_K_M	Wąski
21.2 tok/s 13–34 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Wąski
21.2 tok/s 13–34 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	119.7 GB	Q6_K	Wąski
19.1 tok/s 11–30 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Wygodny
19.1 tok/s 11–30 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	152.7 GB	Q8_0	Wygodny
16.4 tok/s 10–26 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	70.1 GB	Q3_K_M	Wąski
16.4 tok/s 10–26 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	70.1 GB	Q3_K_M	Wąski
16.4 tok/s 10–26 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	70.1 GB	Q3_K_M	Wąski
16.4 tok/s 10–26 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Wąski
16.4 tok/s 10–26 · niska pewność	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	70.1 GB	Q3_K_M	Wąski
16.4 tok/s 10–26 · niska pewność	H800 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Mar 2023	70.1 GB	Q3_K_M	Wąski
15.6 tok/s 9–25 · niska pewność	A100 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Jun 2021	70.1 GB	Q3_K_M	Wąski
15.6 tok/s 9–25 · niska pewność	A800 PCIe 80 GB NVIDIA	80 GB	1,940 GB/s	Nov 2022	70.1 GB	Q3_K_M	Wąski
14.0 tok/s 8–22 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	152.7 GB	Q8_0	Wygodny
13.6 tok/s 8–22 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	103.1 GB	Q5_K_M	Wąski
13.6 tok/s 8–22 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	103.1 GB	Q5_K_M	Wąski

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: Rednote
Typ organizacji: Industry
Kraj: China
Opublikowany: 6 July 2025
Autorzy: Bi Huo, Bin Tu, Cheng Qin, Da Zheng, Debing Zhang, Dongjie Zhang, En Li, Fu Guo, Jian Yao, Jie Lou, Junfeng Tian, Li Hu, Ran Zhu, Shengdong Chen, Shuo Liu, Su Guang, Te Wo, Weijun Zhang, Xiaoming Shi, Xinxin Peng, Xing Wu, Yawen Liu, Yuqiu Ji, Ze Wen, Zhenhai Liu, Zichao Li, Zilong Liao

Co to robi

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

Domena: Language
Zadanie: Language modeling/generation, Question answering

Rozmiar

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

parametry: 142B
Dane treningowe: 11,328,000,000,000 tokens
Rozmiar wsadu: 128,000,000

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: 1.2 × 10²⁴ FLOP
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: NVIDIA H800 SXM5
Czas-chip: 1,456,000

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
Hugging Face: rednote-hilab

Jak jest klasyfikowane

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

Zapisz pewność: Confident

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: dots.llm1 Technical Report
Ostatnio zaktualizowane: 19 December 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają dots.llm1

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 dots.llm1

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

A100 SXM4 80 GB

Pamięć potrzebna

70.1 GB

Najszybszy

28.9 tok/s

dots.llm1 osiąga liczbę parametrów równą 142B. To stawia to powyżej sprzętu konsumenckiego, w zakresie, gdzie karta jest kupowana do tego celu, zamiast przystosowywana do niego. Liczba kart, które śledzimy, które mogą to pomieścić: 37.

Punkt wejścia to A100 SXM4 80 GB, o pojemności pamięci 80 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 16.4 tokeny na sekundę

Najszybciej, jak to obliczamy, to H100 NVL 94 GB, generowanie w przybliżeniu 28.9 tokenów na sekundę na podstawie przepustowości pamięci 3,940 GB/s.

Tło

dots.llm1 został opublikowany przez Rednote, w kraju zapisanym jako China, podczas July 2025. Kategoria, do której należy wydawca, to industry.

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

Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta. Na Hugging Face jest opublikowane pod organizacją rednote-hilab.

Czytanie wskaźników przepustowości

Mediana wyniku wynosi około 16.4 tokenów na sekundę 35 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

Trening zajmował około 1.2 × 10²⁴ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H800 SXM5. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Został wytrenowany na korpusie około 11,328,000,000,000 Tokeny tekstu.

Krok po kroku

Jak wybrać GPU do dots.llm1

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

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu dots.llm1, potrzebując około 70.1 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Dopasuj kontekst do swojego rzeczywistego użycia

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. dots.llm1.
03

Ustal minimalną jakość

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q3_K_M 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

Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla dots.llm1. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to H100 NVL 94 GB, w 28.9 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku dots.llm1. 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 strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza dots.llm1.

Odpowiedzi

dots.llm1 — częste pytania

dots.llm1— kto to stworzył?

Zostało opublikowane przez Rednote, oparty na China, organizacja sklasyfikowana jako industry.

dots.llm1— kiedy to zostało wydane?

Zostało opublikowane w July 2025.

dots.llm1— do czego to służy?

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

dots.llm1— Gdzie mogę to pobrać?

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

dots.llm1— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.2 × 10²⁴ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H800 SXM5. 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.

dots.llm1— 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. Najbliższy brak, który obliczamy, jest za mały o 21.8 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

dots.llm1— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 37. Więc druga karta rzadko jest odpowiedzią tutaj.

dots.llm1— 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: 5. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

dots.llm1— 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: 17–46 tok/s na H100 NVL 94 GB. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

dots.llm1— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to A100 SXM4 80 GB, o pojemności pamięci 80 GB. Uruchamia model przy kompresji Q3_K_M używając około 70.1 GB, i produkuje w przybliżeniu 16.4 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 37.

dots.llm1— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to H100 NVL 94 GB, około 28.9 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 35.

dots.llm1— Ile VRAM-u potrzebuje?

Potrzebuje około 70.1 GB przy kompresji Q3_K_M, 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.

dots.llm1— 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.

dots.llm1— ile ma parametrów?

Ma liczbę parametrów równą 142B. a large-scale MoE model that activates 14 billion parameters out of a total of 142 billion 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.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 19 December 2025

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