HAMSTER VLM kalkulator TPS

Otwórz wagi NVIDIA,University of Washington,University of Southern California 13.5B parametry February 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

306 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

P102-101

10 GB · Q4_K_M · 19.7 tok/s

Najszybsza karta

B200

251 tok/s · 180 GB

Które GPU mogą uruchomić HAMSTER VLM?

Ustaw wejścia, odczytaj odpowiedź.

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

306 karty pasują

Obliczanie
potrzeby Kwantyzacja Pasuje
251 tok/s

151–402 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 15.1 GB Q8_0 Wygodny
251 tok/s

151–402 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 15.1 GB Q8_0 Wygodny
201 tok/s

120–321 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 15.1 GB Q8_0 Wygodny
201 tok/s

120–321 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 15.1 GB Q8_0 Wygodny
160 tok/s

96–257 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 15.1 GB Q8_0 Wygodny
153 tok/s

92–246 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 15.1 GB Q8_0 Wygodny
153 tok/s

92–246 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 15.1 GB Q8_0 Wygodny
147 tok/s

88–235 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 15.1 GB Q8_0 Wygodny
130 tok/s

78–209 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Wygodny
130 tok/s

78–209 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Wygodny
130 tok/s

78–209 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 15.1 GB Q8_0 Wygodny
124 tok/s

74–198 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 15.1 GB Q8_0 Wygodny
113 tok/s

68–181 · niska pewność

CMP 170HX 10 GB NVIDIA 10 GB 1,560 GB/s Sep 2021 8.9 GB Q4_K_M Wąski
105 tok/s

63–169 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Wygodny
105 tok/s

63–169 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 15.1 GB Q8_0 Wygodny
105 tok/s

63–169 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Wygodny
105 tok/s

63–169 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Wygodny
105 tok/s

63–169 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 15.1 GB Q8_0 Wygodny
80.3 tok/s

48–128 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 15.1 GB Q8_0 Wygodny
80.3 tok/s

48–128 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 15.1 GB Q8_0 Wygodny
66.9 tok/s

40–107 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 15.1 GB Q8_0 Wygodny
65.5 tok/s

39–105 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 15.1 GB Q8_0 Wygodny
64.0 tok/s

38–102 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 15.1 GB Q8_0 Wygodny
64.0 tok/s

38–102 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 15.1 GB Q8_0 Wygodny
64.0 tok/s

38–102 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 15.1 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 Washington,University of Southern California
Typ organizacji
Industry,Academia,Academia
Kraj
United States of America
Opublikowany
8 February 2025
Autorzy
Yi Li, Yuquan Deng, Jesse Zhang, Joel Jang, Marius Memmel, Raymond Yu, Caelan Reed Garrett, Fabio Ramos, Dieter Fox, Anqi Li, Abhishek Gupta, Ankit Goyal

Co to robi

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

Domena
Robotics
Zadanie
Robotic manipulation
Model bazowy
VILA1.5-13B
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
13.5B

https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included

Dane treningowe
tokens
Rozmiar wsadu
256

B.1, VLM Training Details: "We use an effective batch size of 256..."

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
2.4 × 10²¹ FLOP

2.3003136e+21 FLOP [base model compute] + 1.078272e20 FLOP [fimetune compute] = 2.4081408e+21 FLOP

Jak to zostało ustalone
Hardware
Dostosowywanie obliczeń
1.1 × 10²⁰ FLOP

B.1, VLM Training Details: "We train our VLM, VILA1.5-13B Lin et al. (2024), on a node equipped with eight NVIDIA A100 GPUs, each utilizing approximately 65 GB of memory. The training process takes about 30 hours to complete. We use an effective batch size of 256 and a learning rate of 1×10−5. During fine-tuning, the entire model—including the vision encoder—is updated." 65GB/GPU, 8 GPU -> A100 SXM4 80 GB https://huggingface.co/Efficient-Large-Model/VILA1.5-13b/blob/main/config.json "torch_dtyp…

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 SXM4 80 GB
Zastosowane chipy
8
Czas rzeczywisty
30 hours

B.1, VLM Training Details: "We train our VLM, VILA1.5-13B Lin et al. (2024), on a node equipped with eight NVIDIA A100 GPUs, each utilizing approximately 65 GB of memory. The training process takes about 30 hours to complete. We use an effective batch size of 256 and a learning rate of 1×10−5. During fine-tuning, the entire model—including the vision encoder—is updated."

Pobór mocy
6.3 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

https://github.com/liyi14/HAMSTER_beta [no clear license]

Jak jest klasyfikowane

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

Zapisz pewność
Confident
Cytaty
104

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają HAMSTER VLM

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 251 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 251 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 201 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 201 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 160 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 153 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 153 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 147 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 130 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 130 tok/s

Najmniejsze GPU, które nadal działają HAMSTER VLM

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

  1. 01 Arc B570 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 17.9 tok/s
  2. 02 Xbox Series X 6nm GPU 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 31.7 tok/s
  3. 03 Radeon RX 6750 GRE 10 GB 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 18.1 tok/s
  4. 04 CMP 170HX 10 GB 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 113 tok/s
  5. 05 CMP 90HX 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 55.1 tok/s
  6. 06 CMP 50HX 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 40.6 tok/s
  7. 07 Radeon RX 6700 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 18.1 tok/s
  8. 08 Radeon RX 6700M 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 18.1 tok/s
  9. 09 Xbox Series X GPU 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 31.7 tok/s
  10. 10 GeForce RTX 3080 10 GB · potrzeby 8.9 GB · Q4_K_M · Wąski 55.1 tok/s

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

P102-101

Pamięć potrzebna

8.9 GB

Najszybszy

251 tok/s

HAMSTER VLM osiąga liczbę parametrów równą 13.5B. 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: 306.

Najmniejsza karta, która to utrzymuje, to P102-101, o pojemności pamięci 10 GB, uruchomienie go przy kompresji Q4_K_M i produkując około 19.7 tokeny na sekundę

Najszybszy rezultat pochodzi z B200, generowanie w przybliżeniu 251 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

HAMSTER VLM został opublikowany przez NVIDIA,University of Washington,University of Southern California, w kraju zapisanym jako United States of America, podczas February 2025. Wychodzi z organizacji zaklasyfikowanej jako industry,Academia,Academia.

Działa w dziedzinie Robotics, i jest zapisany jako wykonujący zadanie robotic manipulation.

Opiera się na VILA1.5-13B. 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.

Zrozumienie prędkości

Mediana wyniku wynosi około 21.1 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 269 ich

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

Wytworzenie tego wymagało arytmetyki sumującej około 2.4 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Krok po kroku

Jak wybrać GPU do HAMSTER VLM

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

  1. 01

    Zacznij od kolumny pamięci

    Tabela zawiera każdą kartę, która jest w stanie pomieścić HAMSTER VLM, potrzebując około 8.9 GB przy kompresji Q4_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.

  2. 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 HAMSTER VLM.

  3. 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.

  4. 04

    Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

    Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. HAMSTER VLM. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 251 tok/s

  5. 05

    Zwróć uwagę na margines, a nie tylko na dopasowanie

    Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku HAMSTER VLM. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.

  6. 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 HAMSTER VLM.

Odpowiedzi

HAMSTER VLM — częste pytania

01

HAMSTER VLM— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 251 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 269.

02

HAMSTER VLM— Ile VRAM-u potrzebuje?

Potrzebuje około 8.9 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.

03

HAMSTER VLM— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q5_K_M, używając około 10.4 GB i generując w przybliżeniu 51.1 tokenów na sekundę. Dopasowanie jest ciasne.

04

HAMSTER VLM— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q6_K, używając około 12.0 GB i generując w przybliżeniu 51.5 tokenów na sekundę. Dopasowanie jest ciasne.

05

HAMSTER VLM— 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 15.1 GB i generując w przybliżeniu 42.1 tokenów na sekundę. Dopasowanie jest komfortowe.

06

HAMSTER VLM— 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.

07

HAMSTER VLM— ile ma parametrów?

Ma liczbę parametrów równą 13.5B. https://huggingface.co/yili18/Hamster_dev VLM: VILA 1.5-13b, 13493916736 parameters policy: either RVT-2 or 3D-DA this record is for the HAMSTER VLM, so the policy is not included. 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.

08

HAMSTER VLM— kto to stworzył?

Zostało opublikowane przez NVIDIA,University of Washington,University of Southern California, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia.

09

HAMSTER VLM— kiedy to zostało wydane?

Zostało opublikowane w February 2025.

10

HAMSTER VLM— do czego to służy?

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

11

HAMSTER VLM— Gdzie mogę to pobrać?

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

12

HAMSTER VLM— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 2.4 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 GB. 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.

13

HAMSTER VLM— 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 1.7 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

14

HAMSTER VLM— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 306. Więc druga karta rzadko jest odpowiedzią tutaj.

15

HAMSTER VLM— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

16

HAMSTER VLM— 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: 151–402 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

17

HAMSTER VLM— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to P102-101, o pojemności pamięci 10 GB. Uruchamia model przy kompresji Q4_K_M używając około 8.9 GB, i produkuje w przybliżeniu 19.7 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 306.

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