SANA 1.5 4.8B kalkulator TPS

Otwórz wagi NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong 4.8B parametry May 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

818 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla C1080

4 GB · IQ4_XS · 18.9 tok/s

Najszybsza karta

B200

706 tok/s · 180 GB

Które GPU mogą uruchomić SANA 1.5 4.8B?

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
706 tok/s 424–1,129 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.8 GB	Q8_0	Wygodny
706 tok/s 424–1,129 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.8 GB	Q8_0	Wygodny
564 tok/s 338–902 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Wygodny
564 tok/s 338–902 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.8 GB	Q8_0	Wygodny
451 tok/s 270–721 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.8 GB	Q8_0	Wygodny
431 tok/s 259–690 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Wygodny
431 tok/s 259–690 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.8 GB	Q8_0	Wygodny
413 tok/s 248–661 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.8 GB	Q8_0	Wygodny
366 tok/s 220–586 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Wygodny
366 tok/s 220–586 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Wygodny
366 tok/s 220–586 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.8 GB	Q8_0	Wygodny
348 tok/s 209–556 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.8 GB	Q8_0	Wygodny
296 tok/s 178–474 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Wygodny
296 tok/s 178–474 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.8 GB	Q8_0	Wygodny
296 tok/s 178–474 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Wygodny
296 tok/s 178–474 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Wygodny
296 tok/s 178–474 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.8 GB	Q8_0	Wygodny
226 tok/s 135–361 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Wygodny
226 tok/s 135–361 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.8 GB	Q8_0	Wygodny
188 tok/s 113–301 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.8 GB	Q8_0	Wygodny
184 tok/s 110–295 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.8 GB	Q8_0	Wygodny
180 tok/s 108–288 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.8 GB	Q8_0	Wygodny
180 tok/s 108–288 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.8 GB	Q8_0	Wygodny
180 tok/s 108–288 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.8 GB	Q8_0	Wygodny
180 tok/s 108–288 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.8 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: NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong
Typ organizacji: Industry,Academia,Academia,Industry,Academia,Academia
Kraj: United States of America, China, Hong Kong
Opublikowany: 17 May 2025
Autorzy: Enze Xie, Junsong Chen, Yuyang Zhao, Jincheng Yu, Ligeng Zhu, Chengyue Wu, Yujun Lin, Zhekai Zhang, Muyang Li, Junyu Chen, Han Cai, Bingchen Liu, Daquan Zhou, Song Han

Co to robi

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

Domena: Image generation
Zadanie: Text-to-image, Image generation
Model bazowy: SANA 1.6B
Format numeryczny: BF16

Rozmiar

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

parametry: 4.8B
Dane treningowe: tokens

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: NVIDIA A100
Zastosowane chipy: 64
Pobór mocy: 50.2 kW

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 (non-commercial)
Kod treningowy: Open source
Hugging Face: Efficient-Large-Model

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: SANA 1.5: Efficient Scaling of Training-Time and Inference-Time Compute in Linear Diffusion Transformer
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają SANA 1.5 4.8B

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 SANA 1.5 4.8B

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

Tesla C1080

Pamięć potrzebna

3.3 GB

Najszybszy

706 tok/s

SANA 1.5 4.8B osiąga liczbę parametrów równą 4.8B. 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.

Punkt wejścia to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji IQ4_XS i produkując około 18.9 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 706 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

SANA 1.5 4.8B został opublikowany przez NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, w kraju zapisanym jako United States of America, podczas May 2025. Organizacja publikująca jest klasyfikowana jako industry,Academia,Academia,Industry,Academia,Academia.

Działa w dziedzinie Image generation, i jest zapisany jako wykonujący zadanie text-to-image, Image generation.

Opiera się na SANA 1.6B. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu. Na Hugging Face jest opublikowane pod organizacją Efficient-Large-Model.

Czytanie wskaźników przepustowości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 28.2 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 771 ich

Każda waga uczestniczy w każdym tokenie tutaj, więc szerokość pasma jest całą historią: poniższa lista to w rzeczywistości ranking przepustowości pamięci.

Jej architektura wewnętrzna nie jest w naszej bazie danych, więc pamięć jest szacowana na podstawie liczby parametrów i odpowiednio oznaczona. Spodziewaj się, że rzeczywista wartość będzie się różnić, tym bardziej przy długim context length.

Krok po kroku

Jak wybrać GPU do SANA 1.5 4.8B

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

Każda karta tutaj została sprawdzona pod kątem SANA 1.5 4.8B, potrzebując około 3.3 GB przy kompresji IQ4_XS. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Ustaw długość kontekstu, z którą będziesz pracować

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla SANA 1.5 4.8B.
03

Zdecyduj, ile kompresji zaakceptujesz

Kompresja to to, co sprawia, że model mieści się w mniejszych KARTACH, kosztem pewnej dokładności., osiągnięcie kompresji IQ4_XS 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 SANA 1.5 4.8B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 706 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 SANA 1.5 4.8B. 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

Zobacz, co jeszcze ta karta uruchamia

Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o SANA 1.5 4.8B.

Odpowiedzi

SANA 1.5 4.8B — częste pytania

SANA 1.5 4.8B— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Można go podzielić między kartą a pamięcią systemową, ale w ten sposób generuje się boleśnie powoli. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

SANA 1.5 4.8B— 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.

SANA 1.5 4.8B— 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: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

SANA 1.5 4.8B— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 424–1,129 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

SANA 1.5 4.8B— 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 IQ4_XS używając około 3.3 GB, i produkuje w przybliżeniu 18.9 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

SANA 1.5 4.8B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 706 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 771.

SANA 1.5 4.8B— Ile VRAM-u potrzebuje?

Potrzebuje około 3.3 GB przy kompresji IQ4_XS, 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.

SANA 1.5 4.8B— 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 5.8 GB i generując w przybliżeniu 131 tokenów na sekundę. Dopasowanie jest komfortowe.

SANA 1.5 4.8B— 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 5.8 GB i generując w przybliżeniu 80.5 tokenów na sekundę. Dopasowanie jest komfortowe.

SANA 1.5 4.8B— 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 5.8 GB i generując w przybliżeniu 99.7 tokenów na sekundę. Dopasowanie jest komfortowe.

SANA 1.5 4.8B— 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 5.8 GB i generując w przybliżeniu 118 tokenów na sekundę. Dopasowanie jest komfortowe.

SANA 1.5 4.8B— 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.

SANA 1.5 4.8B— ile ma parametrów?

Ma liczbę parametrów równą 4.8B. 4.8B Our final model (SANA-4.8B) scales to 60 layers while maintaining the same channel dimension (2240 per layer) and FFN dimension (5600) as SANA-1.6B. The architecture, training data, and other hyperparameters remain consistent with SANA-1.6B. 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.

SANA 1.5 4.8B— kto to stworzył?

Zostało opublikowane przez NVIDIA,Massachusetts Institute of Technology (MIT),Tsinghua University,Playground,Peking University,The University of Hong Kong, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia,Industry,Academia,Academia.

SANA 1.5 4.8B— kiedy to zostało wydane?

Zostało opublikowane w May 2025.

SANA 1.5 4.8B— do czego to służy?

Działa w dziedzinie Image generation, i jest zarejestrowany jako realizujący zadanie text-to-image, Image generation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

SANA 1.5 4.8B— Gdzie mogę to pobrać?

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

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