Diffusion Renderer kalkulator TPS

Otwórz wagi NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC) 1.1B parametry March 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 · Q8_0 · 33.5 tok/s

Najszybsza karta

B200

3,080 tok/s · 180 GB

Które GPU mogą uruchomić Diffusion Renderer?

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
3,080 tok/s 1,848–4,928 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.9 GB	Q8_0	Wygodny
3,080 tok/s 1,848–4,928 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.9 GB	Q8_0	Wygodny
2,460 tok/s 1,476–3,935 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Wygodny
2,460 tok/s 1,476–3,935 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.9 GB	Q8_0	Wygodny
1,967 tok/s 1,180–3,147 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.9 GB	Q8_0	Wygodny
1,883 tok/s 1,130–3,012 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Wygodny
1,883 tok/s 1,130–3,012 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.9 GB	Q8_0	Wygodny
1,802 tok/s 1,081–2,883 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.9 GB	Q8_0	Wygodny
1,599 tok/s 960–2,559 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Wygodny
1,599 tok/s 960–2,559 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Wygodny
1,599 tok/s 960–2,559 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.9 GB	Q8_0	Wygodny
1,517 tok/s 910–2,427 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.9 GB	Q8_0	Wygodny
1,294 tok/s 776–2,070 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Wygodny
1,294 tok/s 776–2,070 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.9 GB	Q8_0	Wygodny
1,294 tok/s 776–2,070 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Wygodny
1,294 tok/s 776–2,070 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Wygodny
1,294 tok/s 776–2,070 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.9 GB	Q8_0	Wygodny
985 tok/s 591–1,576 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Wygodny
985 tok/s 591–1,576 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.9 GB	Q8_0	Wygodny
821 tok/s 493–1,313 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.9 GB	Q8_0	Wygodny
803 tok/s 482–1,285 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.9 GB	Q8_0	Wygodny
785 tok/s 471–1,257 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.9 GB	Q8_0	Wygodny
785 tok/s 471–1,257 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.9 GB	Q8_0	Wygodny
785 tok/s 471–1,257 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.9 GB	Q8_0	Wygodny
785 tok/s 471–1,257 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.9 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,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC)
Typ organizacji: Industry,Academia,Academia,Academia
Kraj: United States of America, Canada
Opublikowany: 22 March 2025
Autorzy: Ruofan Liang, Zan Gojcic, Huan Ling, Jacob Munkberg, Jon Hasselgren, Zhi-Hao Lin, Jun Gao, Alexander Keller, Nandita Vijaykumar, Sanja Fidler, Zian Wang

Co to robi

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

Domena: Video
Zadanie: Video editing, Video-to-video, 3D segmentation
Model bazowy: Stable Video Diffusion
Format numeryczny: FP16

Rozmiar

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

parametry: 1.1B
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.

Jak to zostało ustalone: Hardware
Dostosowywanie obliczeń: 1.3 × 10²⁰ FLOP

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: 32
Czas rzeczywisty: 48 hours
Pobór mocy: 25.1 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: Unreleased
Hugging Face: nexuslrf

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

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: DiffusionRenderer: Neural Inverse and Forward Rendering with Video Diffusion Models
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Diffusion Renderer

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 Diffusion Renderer

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

1.9 GB

Najszybszy

3,080 tok/s

Diffusion Renderer osiąga liczbę parametrów równą 1.1B. 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 Q8_0 i produkując około 33.5 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 3,080 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

Diffusion Renderer został opublikowany przez NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), w kraju zapisanym jako United States of America, podczas March 2025. Organizacja publikująca jest klasyfikowana jako industry,Academia,Academia,Academia.

Działa w dziedzinie Video, i jest zapisany jako wykonujący zadanie video editing, Video-to-video, 3D segmentation.

Zamiast być trenowanym od podstaw, pochodzi z Stable Video Diffusion. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć. Na Hugging Face jest opublikowane pod organizacją nexuslrf.

Co decyduje o szybkości

Połowa kart, które go trzymają, osiąga więcej niż 86.5 tokenów na sekundę 799 ich

To jest gęsty model, więc każdy parametr jest odczytywany dla każdego wyprodukowanego tokena. To sprawia, że prędkość śledzi przepustowość pamięci prawie dokładnie — karta z podwójną przepustowością generuje w przybliżeniu dwa razy szybciej.

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.

Jak to zostało wytrenowane

Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.

Krok po kroku

Jak wybrać GPU do Diffusion Renderer

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

Tabela zawiera każdą kartę, która jest w stanie pomieścić Diffusion Renderer, potrzebując około 1.9 GB przy kompresji Q8_0. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
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. Diffusion Renderer.
03

Wybierz, jak daleko chcesz to skompresować.

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. Diffusion Renderer. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 3,080 tok/s
05

Zwróć uwagę na margines, a nie tylko na dopasowanie

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku Diffusion Renderer. 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 Diffusion Renderer.

Odpowiedzi

Diffusion Renderer — częste pytania

Diffusion Renderer— do czego to służy?

Działa w dziedzinie Video, i jest zarejestrowany jako realizujący zadanie video editing, Video-to-video, 3D segmentation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

Diffusion Renderer— Gdzie mogę to pobrać?

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

Diffusion Renderer— 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.

Diffusion Renderer— czy dwa GPU uruchomią to szybciej?

Dwie karty kupują pamięć zamiast szybkości, co ma znaczenie tylko wtedy, gdy jedna karta nie może jej pomieścić. Liczba, która może: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

Diffusion Renderer— 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.

Diffusion Renderer— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 1,848–4,928 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Diffusion Renderer— 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 1.9 GB, i produkuje w przybliżeniu 33.5 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

Diffusion Renderer— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 3,080 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 799.

Diffusion Renderer— Ile VRAM-u potrzebuje?

Potrzebuje około 1.9 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.

Diffusion Renderer— 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 1.9 GB i generując w przybliżeniu 574 tokenów na sekundę. Dopasowanie jest komfortowe.

Diffusion Renderer— 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 1.9 GB i generując w przybliżeniu 351 tokenów na sekundę. Dopasowanie jest komfortowe.

Diffusion Renderer— 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 1.9 GB i generując w przybliżeniu 435 tokenów na sekundę. Dopasowanie jest komfortowe.

Diffusion Renderer— 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 1.9 GB i generując w przybliżeniu 516 tokenów na sekundę. Dopasowanie jest komfortowe.

Diffusion Renderer— 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.

Diffusion Renderer— ile ma parametrów?

Ma liczbę parametrów równą 1.1B. "This model has 1.1B model 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.

Diffusion Renderer— kto to stworzył?

Zostało opublikowane przez NVIDIA,University of Toronto,Vector Institute,University of Illinois Urbana-Champaign (UIUC), oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia,Academia.

Diffusion Renderer— kiedy to zostało wydane?

Zostało opublikowane w March 2025.

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