AlexNet + coordinating filters kalkulator TPS

Otwórz wagi University of Pittsburgh,Duke University 60M parametry March 2017

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 · 614 tok/s

Najszybsza karta

B200

56,471 tok/s · 180 GB

Które GPU mogą uruchomić AlexNet + coordinating filters?

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
56,471 tok/s 33,882–90,353 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Wygodny
56,471 tok/s 33,882–90,353 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Wygodny
45,093 tok/s 27,056–72,149 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Wygodny
45,093 tok/s 27,056–72,149 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Wygodny
36,064 tok/s 21,638–57,702 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
34,518 tok/s 20,711–55,228 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Wygodny
34,518 tok/s 20,711–55,228 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Wygodny
33,035 tok/s 19,821–52,856 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Wygodny
29,319 tok/s 17,591–46,910 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
29,319 tok/s 17,591–46,910 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
29,319 tok/s 17,591–46,910 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
27,812 tok/s 16,687–44,499 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
23,718 tok/s 14,231–37,948 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
23,718 tok/s 14,231–37,948 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Wygodny
23,718 tok/s 14,231–37,948 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
23,718 tok/s 14,231–37,948 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
23,718 tok/s 14,231–37,948 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
18,059 tok/s 10,836–28,895 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Wygodny
18,059 tok/s 10,836–28,895 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Wygodny
15,049 tok/s 9,030–24,079 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
14,728 tok/s 8,837–23,565 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
14,400 tok/s 8,640–23,040 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Wygodny
14,400 tok/s 8,640–23,040 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Wygodny
14,400 tok/s 8,640–23,040 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Wygodny
14,400 tok/s 8,640–23,040 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: University of Pittsburgh,Duke University
Typ organizacji: Academia,Academia
Kraj: United States of America
Opublikowany: 28 March 2017
Autorzy: Wei Wen, Cong Xu, Chunpeng Wu, Yandan Wang, Yiran Chen, Hai Li

Co to robi

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

Domena: Vision
Zadanie: Image 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: 60M
Dane treningowe: 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: 4.7 × 10¹⁷ FLOP
Jak to zostało ustalone: Comparison with other models

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.

Zapisz pewność: Confident
Cytaty: 172

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Coordinating Filters for Faster Deep Neural Networks
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają AlexNet + coordinating filters

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 AlexNet + coordinating filters

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

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

0.8 GB

Najszybszy

56,471 tok/s

AlexNet + coordinating filters osiąga liczbę parametrów równą 60M. 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 614 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 56,471 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

AlexNet + coordinating filters został opublikowany przez University of Pittsburgh,Duke University, w kraju zapisanym jako United States of America, podczas March 2017. Kategoria, do której należy wydawca, to academia,Academia.

Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.

Co decyduje o szybkości

Mediana wyniku wynosi około 1,585.7 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 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.

Jak to zostało wytrenowane

Trening zajmował około 4.7 × 10¹⁷ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Krok po kroku

Jak wybrać GPU do AlexNet + coordinating filters

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 AlexNet + coordinating filters, potrzebując około 0.8 GB przy kompresji Q8_0. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
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 AlexNet + coordinating filters.
03

Wybierz, jak daleko chcesz to skompresować.

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.
04

Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. AlexNet + coordinating filters. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 56,471 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku AlexNet + coordinating filters. 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

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o AlexNet + coordinating filters.

Odpowiedzi

AlexNet + coordinating filters — częste pytania

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— Jak dokładne są te szacunki prędkości?

To są szacunki z rzeczywistymi marginesami błędu, a każdy z nich mógłby rozsądnie wypaść gdziekolwiek w swoim opublikowanym zakresie w zależności od używanego uruchomienia. Najszybszy wynik tutaj: 33,882–90,353 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

AlexNet + coordinating filters— 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 0.8 GB, i produkuje w przybliżeniu 614 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

AlexNet + coordinating filters— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 56,471 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.

AlexNet + coordinating filters— Ile VRAM-u potrzebuje?

Potrzebuje około 0.8 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.

AlexNet + coordinating filters— 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 0.8 GB i generując w przybliżeniu 10,518 tokenów na sekundę. Dopasowanie jest komfortowe.

AlexNet + coordinating filters— 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 0.8 GB i generując w przybliżeniu 6,440 tokenów na sekundę. Dopasowanie jest komfortowe.

AlexNet + coordinating filters— 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 0.8 GB i generując w przybliżeniu 7,976 tokenów na sekundę. Dopasowanie jest komfortowe.

AlexNet + coordinating filters— 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 0.8 GB i generując w przybliżeniu 9,459 tokenów na sekundę. Dopasowanie jest komfortowe.

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— ile ma parametrów?

Ma liczbę parametrów równą 60M. The paper reimplements ResNet-20, AlexNet and GoogLeNet. The largest from these models is AlexNet. (data for these models taken from this db) AlexNet has 60000000.00 params. GoogLeNet has 6797700.00 params. So max(60000000, 6797700) = 60000000 source "The effectiveness of our approach is comprehensively evaluated in ResNets, AlexNet, and GoogLeNet. In AlexNet, for example, Force Regularization gains 2x speedup on modern GPU without accuracy loss and 4.05x speedup on CPU by paying small accuracy degradation. ". 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.

AlexNet + coordinating filters— kto to stworzył?

Zostało opublikowane przez University of Pittsburgh,Duke University, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.

AlexNet + coordinating filters— kiedy to zostało wydane?

Zostało opublikowane w March 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

AlexNet + coordinating filters— do czego to służy?

Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

AlexNet + coordinating filters— Gdzie mogę to pobrać?

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

AlexNet + coordinating filters— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 4.7 × 10¹⁷ FLOP. 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.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 28 November 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