GR00T N1 2B kalkulator TPS

Otwórz wagi NVIDIA 2.2B 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 · 16.8 tok/s

Najszybsza karta

B200

1,547 tok/s · 180 GB

Które GPU mogą uruchomić GR00T N1 2B?

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
1,547 tok/s 928–2,475 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.0 GB	Q8_0	Wygodny
1,547 tok/s 928–2,475 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.0 GB	Q8_0	Wygodny
1,235 tok/s 741–1,977 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.0 GB	Q8_0	Wygodny
1,235 tok/s 741–1,977 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.0 GB	Q8_0	Wygodny
988 tok/s 593–1,581 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.0 GB	Q8_0	Wygodny
946 tok/s 567–1,513 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.0 GB	Q8_0	Wygodny
946 tok/s 567–1,513 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.0 GB	Q8_0	Wygodny
905 tok/s 543–1,448 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.0 GB	Q8_0	Wygodny
803 tok/s 482–1,285 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Wygodny
803 tok/s 482–1,285 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Wygodny
803 tok/s 482–1,285 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.0 GB	Q8_0	Wygodny
762 tok/s 457–1,219 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.0 GB	Q8_0	Wygodny
650 tok/s 390–1,040 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Wygodny
650 tok/s 390–1,040 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.0 GB	Q8_0	Wygodny
650 tok/s 390–1,040 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Wygodny
650 tok/s 390–1,040 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Wygodny
650 tok/s 390–1,040 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.0 GB	Q8_0	Wygodny
495 tok/s 297–792 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.0 GB	Q8_0	Wygodny
495 tok/s 297–792 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.0 GB	Q8_0	Wygodny
412 tok/s 247–660 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.0 GB	Q8_0	Wygodny
404 tok/s 242–646 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.0 GB	Q8_0	Wygodny
395 tok/s 237–631 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.0 GB	Q8_0	Wygodny
395 tok/s 237–631 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.0 GB	Q8_0	Wygodny
395 tok/s 237–631 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.0 GB	Q8_0	Wygodny
395 tok/s 237–631 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.0 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
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 18 March 2025
Autorzy: Johan Bjorck, Fernando Castañeda, Nikita Cherniadev, Xingye Da, Runyu Ding, Linxi "Jim" Fan, Yu Fang, Dieter Fox, Fengyuan Hu, Spencer Huang, Joel Jang, Zhenyu Jiang, Jan Kautz, Kaushil Kundalia, Lawrence Lao, Zhiqi Li, Zongyu Lin, Kevin Lin, Guilin Liu, Edith Llontop, Loic Magne, Ajay Mandlekar, Avnish Narayan, Soroush Nasiriany, Scott Reed, You Liang Tan, Guanzhi Wang, Zu Wang, Jing Wang, Qi Wan…

Co to robi

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

Domena: Robotics, Vision, Language
Zadanie: Robotic manipulation, Animal (human/non-human) imitation
Model bazowy: Eagle 2
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: 2.2B
Dane treningowe: tokens
Rozmiar wsadu: 16,384

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: 7.1 × 10²² FLOP
Jak to zostało ustalone: Hardware

Przebieg szkolenia

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

Sprzęt do trenowania: NVIDIA H100 SXM5 80GB
Zastosowane chipy: 1,024
Czas rzeczywisty: 49 hours
Pobór mocy: 1.4 MW

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: nvidia

Jak jest klasyfikowane

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

Zapisz pewność: Confident
Cytaty: 738

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: GR00T N1: An Open Foundation Model for Generalist Humanoid Robots
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają GR00T N1 2B

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 GR00T N1 2B

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

3.0 GB

Najszybszy

1,547 tok/s

GR00T N1 2B osiąga liczbę parametrów równą 2.2B. 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 16.8 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 1,547 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

GR00T N1 2B został opublikowany przez NVIDIA, w kraju zapisanym jako United States of America, podczas March 2025. Wychodzi z organizacji zaklasyfikowanej jako industry.

Działa w dziedzinie Robotics, Vision, Language, i jest zapisany jako wykonujący zadanie robotic manipulation, Animal (human/non-human) imitation.

Opiera się na Eagle 2. To jest zwykły sposób produkcji wyspecjalizowanego modelu.

Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi. Na Hugging Face jest opublikowane pod organizacją nvidia.

Co decyduje o szybkości

Mediana wyniku wynosi około 43.4 tokenów na sekundę 787 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.

Co poszło w budowę tego

Trenowanie zajęło budżet obliczeniowy wynoszący około 7.1 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Krok po kroku

Jak wybrać GPU do GR00T N1 2B

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

Każda karta tutaj została sprawdzona pod kątem GR00T N1 2B, potrzebując około 3.0 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

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. GR00T N1 2B.
03

Zdecyduj, ile kompresji zaakceptujesz

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

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla GR00T N1 2B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 1,547 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku GR00T N1 2B. 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

Każda nazwa karty łączy się z jej własną stroną, która wykonuje tę samą kalkulację w całym katalogu modelu. Kartę zazwyczaj kupuje się dla więcej niż jednego modelu, więc warto rzucić okiem przed zakupem na GR00T N1 2B.

Odpowiedzi

GR00T N1 2B — częste pytania

GR00T N1 2B— ile ma parametrów?

Ma liczbę parametrów równą 2.2B. "Specifically, our publicly released GR00T-N1-2B model has 2.2B parameters in total, with 1.34B in the VLM." https://huggingface.co/nvidia/GR00T-N1-2B 2.19e9 parameters, bf16, 4.38 GB. 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.

GR00T N1 2B— kto to stworzył?

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

GR00T N1 2B— kiedy to zostało wydane?

Zostało opublikowane w March 2025.

GR00T N1 2B— do czego to służy?

Działa w dziedzinie Robotics, Vision, Language, i jest zarejestrowany jako realizujący zadanie robotic manipulation, Animal (human/non-human) imitation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

GR00T N1 2B— Gdzie mogę to pobrać?

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

GR00T N1 2B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 7.1 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. 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.

GR00T N1 2B— 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.

GR00T N1 2B— 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.

GR00T N1 2B— 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: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

GR00T N1 2B— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 928–2,475 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

GR00T N1 2B— 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 3.0 GB, i produkuje w przybliżeniu 16.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

GR00T N1 2B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 1,547 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 787.

GR00T N1 2B— Ile VRAM-u potrzebuje?

Potrzebuje około 3.0 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.

GR00T N1 2B— 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 3.0 GB i generując w przybliżeniu 288 tokenów na sekundę. Dopasowanie jest komfortowe.

GR00T N1 2B— 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 3.0 GB i generując w przybliżeniu 176 tokenów na sekundę. Dopasowanie jest komfortowe.

GR00T N1 2B— 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 3.0 GB i generując w przybliżeniu 219 tokenów na sekundę. Dopasowanie jest komfortowe.

GR00T N1 2B— 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 3.0 GB i generując w przybliżeniu 259 tokenów na sekundę. Dopasowanie jest komfortowe.

GR00T N1 2B— 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.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 25 May 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