LFM2-24B-A2B kalkulator TPS

Otwórz wagi Liquid AI 24B parametry February 2026

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

241 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Xeon Phi 7120P

16 GB · Q4_K_M · 51.8 tok/s

Najszybsza karta

B200

784 tok/s · 180 GB

Które GPU mogą uruchomić LFM2-24B-A2B?

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.

241 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
784 tok/s 471–1,255 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	25.1 GB	Q8_0	Wygodny
784 tok/s 471–1,255 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	25.1 GB	Q8_0	Wygodny
626 tok/s 376–1,002 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	25.1 GB	Q8_0	Wygodny
626 tok/s 376–1,002 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	25.1 GB	Q8_0	Wygodny
501 tok/s 301–801 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	25.1 GB	Q8_0	Wygodny
479 tok/s 288–767 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	25.1 GB	Q8_0	Wygodny
479 tok/s 288–767 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	25.1 GB	Q8_0	Wygodny
459 tok/s 275–734 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	25.1 GB	Q8_0	Wygodny
407 tok/s 244–652 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	25.1 GB	Q8_0	Wygodny
407 tok/s 244–652 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	25.1 GB	Q8_0	Wygodny
407 tok/s 244–652 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	25.1 GB	Q8_0	Wygodny
386 tok/s 232–618 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	25.1 GB	Q8_0	Wygodny
329 tok/s 198–527 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	25.1 GB	Q8_0	Wygodny
329 tok/s 198–527 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	25.1 GB	Q8_0	Wygodny
329 tok/s 198–527 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	25.1 GB	Q8_0	Wygodny
329 tok/s 198–527 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	25.1 GB	Q8_0	Wygodny
329 tok/s 198–527 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	25.1 GB	Q8_0	Wygodny
256 tok/s 153–409 · niska pewność	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.9 GB	Q4_K_M	Wąski
251 tok/s 150–401 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	25.1 GB	Q8_0	Wygodny
251 tok/s 150–401 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	25.1 GB	Q8_0	Wygodny
217 tok/s 130–348 · niska pewność	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.9 GB	Q4_K_M	Wąski
209 tok/s 125–334 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	25.1 GB	Q8_0	Wygodny
205 tok/s 123–327 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	25.1 GB	Q8_0	Wygodny
203 tok/s 122–325 · niska pewność	Tesla V100 DGXS 16 GB NVIDIA	16 GB	897 GB/s	Mar 2018	13.9 GB	Q4_K_M	Wąski
203 tok/s 122–325 · niska pewność	Tesla V100 PCIe 16 GB NVIDIA	16 GB	897 GB/s	Jun 2017	13.9 GB	Q4_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: Liquid AI
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 25 February 2026

Co to robi

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

Domena: Language
Zadanie: Language modeling/generation

Rozmiar

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

parametry: 24B
Dane treningowe: 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)

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają LFM2-24B-A2B

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 LFM2-24B-A2B

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

Xeon Phi 7120P

Pamięć potrzebna

13.9 GB

Najszybszy

784 tok/s

LFM2-24B-A2B osiąga liczbę parametrów równą 24B. To ląduje w zakresie, który może obsłużyć poważna karta stacjonarna, gdy wagi są skompresowane. Liczba kart, które śledzimy, które mogą to uruchomić: 241.

Najmniejsza karta, która to utrzymuje, to Xeon Phi 7120P, o pojemności pamięci 16 GB, uruchomienie go przy kompresji Q4_K_M i produkując około 51.8 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 784 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

O tym modelu

LFM2-24B-A2B został opublikowany przez Liquid AI, w kraju zapisanym jako United States of America, podczas February 2026. Wychodzi z organizacji zaklasyfikowanej jako industry.

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

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

Jak szybko działa i dlaczego

Połowa kart, które go trzymają, osiąga więcej niż 101.4 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 239 ich

Ponieważ kieruje każdy token przez podzbiór swoich wag, produkuje tekst z szybkością znacznie mniejszego modelu. Haczyk tkwi w pamięci: wszystko musi się jeszcze zmieścić, więc prędkość jest bonusem, a nie zniżką na sprzęt.

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.

Krok po kroku

Jak wybrać GPU do LFM2-24B-A2B

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

01

Przeczytaj najpierw liczbę pamięci

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu LFM2-24B-A2B, potrzebując około 13.9 GB przy kompresji Q4_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
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. LFM2-24B-A2B.
03

Zdecyduj, ile kompresji zaakceptujesz

Każda KARTA uruchamia najmniej skompresowaną kopię, jaką może pomieścić., osiągnięcie kompresji Q4_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

Oceń według przepustowości, a nie kart specyfikacji

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla LFM2-24B-A2B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 784 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 LFM2-24B-A2B. 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

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o LFM2-24B-A2B.

Odpowiedzi

LFM2-24B-A2B — częste pytania

LFM2-24B-A2B— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

LFM2-24B-A2B— Gdzie mogę to pobrać?

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

LFM2-24B-A2B— 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 3.1 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

LFM2-24B-A2B— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 241. Więc druga karta rzadko jest odpowiedzią tutaj.

LFM2-24B-A2B— 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: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

LFM2-24B-A2B— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 471–1,255 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

LFM2-24B-A2B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Xeon Phi 7120P, o pojemności pamięci 16 GB. Uruchamia model przy kompresji Q4_K_M używając około 13.9 GB, i produkuje w przybliżeniu 51.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 241.

LFM2-24B-A2B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 784 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 239.

LFM2-24B-A2B— Ile VRAM-u potrzebuje?

Potrzebuje około 13.9 GB przy kompresji Q4_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.

LFM2-24B-A2B— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q4_K_M, używając około 13.9 GB i generując w przybliżeniu 256 tokenów na sekundę. Dopasowanie jest ciasne.

LFM2-24B-A2B— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q6_K, używając około 19.5 GB i generując w przybliżeniu 191 tokenów na sekundę. Dopasowanie jest ciasne.

LFM2-24B-A2B— 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.

LFM2-24B-A2B— ile ma parametrów?

Ma liczbę parametrów równą 24B. 24B total, 2B active. 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.

LFM2-24B-A2B— kto to stworzył?

Zostało opublikowane przez Liquid AI, oparty na United States of America, organizacja sklasyfikowana jako industry.

LFM2-24B-A2B— kiedy to zostało wydane?

Zostało opublikowane w February 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