FreeLLMTodos os modelos › microsoft
Phi-tiny-MoE-instruct
microsoft · licença aberta · lançado em 23 jun. 2025
Onde usar de graça
- Baixe e rode em casa: pesos oficiais · arquivos GGUF para Ollama e LM Studio
Ainda sem votos na Arena
A Arena ainda não votou neste modelo. Ele aparece aqui por ser um modelo pequeno popular na página oficial do laboratório no Hugging Face (38K downloads por mês).
Velocidade em hardware popular
| Hardware | Memória da GPU | Cabe? | Velocidade |
|---|---|---|---|
| RTX 3060 12 GB | 12 GB | Cabe na GPU | 75 tok/s |
| RTX 4060 Ti 16 GB | 16 GB | Cabe na GPU | 63 tok/s |
| RTX 3090 | 24 GB | Cabe na GPU | 147 tok/s |
| RTX 4090 | 24 GB | Cabe na GPU | 153 tok/s |
| RTX 5090 | 32 GB | Cabe na GPU | 204 tok/s |
| RX 7900 XTX | 24 GB | Cabe na GPU | 149 tok/s |
| 2 × RTX 3090 | 48 GB | Cabe na GPU | 142 tok/s |
| 4 × RTX 3090 | 96 GB | Cabe na GPU | 135 tok/s |
| Mac M4 Max 128 GB | 96 GB | Cabe na GPU | 75 tok/s |
| Ryzen AI Max+ 395 128 GB | 96 GB | Cabe na GPU | 57 tok/s |
| 8 × H100 SXM | 640 GB | Cabe na GPU | 211 tok/s |
Estimativa com 4 bits e contexto de 32K, com 64 GB de DDR5 para offload. Velocidade ≈ largura de banda da memória × 78% ÷ dados lidos por token, mais um custo fixo por token, calibrada em 44 testes reais com llama.cpp; erro típico de cerca de ±10%. Compare todas as GPUs.
Memória de GPU necessária
| Nível | Qualidade vs. completo |
|---|---|
| Q3_K_M | +10.5% perda perceptível |
| Q4_K_M | +2.8% perda pequena |
| Q5_K_M | +0.9% perda muito pequena |
| Q6_K | +0.3% quase sem perda |
| Q8_0 | ≈ 0% igual ao completo |
| F16 | ≈ 0% igual ao completo |
Pesos + cache de contexto (a partir da arquitetura do modelo) + runtime. Qualidade: aumento em perplexity em relação ao modelo completo, com base em testes com llama.cpp, ajustado pelo tamanho do modelo. Simule a sua configuração.
Compartilhe esta página:XLinkedInRedditWhatsApp
Viu um número errado ou um link quebrado? Informe um erro