Ornith-1.0-35B

DeepReinforce · 35.0B（激活 3.0B） · MoE · ctx 256K · MIT · HuggingFace

Ornith-1.0-35B（DeepReinforce）是 AI Hashrate 收录的35.0B 参数 MoE（每 token 激活 3.0B）开放权重模型。 按 8K 上下文估算：Q4 约需 20.85 GB VRAM（权重 19.25 GB + KV 0.6 GB + 开销 1 GB），FP16 约需 71.6 GB。 在该上下文假设下，目录中约有 21 款 GPU/加速器能在 Q4 下完整装下此模型。 Q4 最快配置：B200 192GB SXM ≈ 1697.0 tok/s（估算）; MI300X 192GB ≈ 1124.2 tok/s（估算）; H200 141GB SXM5 ≈ 1018.2 tok/s（估算）; H100 80GB SXM5 ≈ 710.6 tok/s（估算）; Gaudi 3 128GB ≈ 694.9 tok/s（估算）。 下表给出各硬件的 VRAM 装机情况与每美元 tok/s（按 MSRP 标价）。估算基于显存带宽公式；有实测时以实测为准。详见方法论页。 方法论.

72 个硬件配置——按 tok/s 排序。默认装机上下文 8K。

硬件	VRAM	量化	tok/s	装得下？	tok/s/$
B200 192GB SXM	192	Q4	1697.0 估算	是	0.042
MI300X 192GB	192	Q4	1124.2 估算	是	0.075
H200 141GB SXM5	141	Q4	1018.2 估算	是	0.029
H100 80GB SXM5	80	Q4	710.6 估算	是	0.024
Gaudi 3 128GB	128	Q4	694.9 估算	是	0.056
B200 192GB SXM	192	FP16	466.7 估算	是	0.012
RX 7900 XT 20GB	20	Q4	446.1 估算	否	0.496
A100 80GB SXM4	80	Q4	432.5 估算	是	0.029
RTX 5090 32GB	32	Q4	380.1 估算	是	0.19
RTX 5080 16GB	16	Q4	342.6 估算	否	0.343
RTX 5070 Ti 16GB	16	Q4	319.8 估算	否	0.427
MI300X 192GB	192	FP16	309.2 估算	是	0.021
H200 141GB SXM5	141	FP16	280.0 估算	是	0.008
RTX 4080 Super 16GB	16	Q4	262.7 估算	否	0.263
RTX 4070 Ti Super 16GB	16	Q4	239.8 估算	否	0.3
RX 9070 16GB	16	Q4	228.4 估算	否	0.416
RX 9070 XT 16GB	16	Q4	228.4 估算	否	0.381
RX 7800 XT 16GB	16	Q4	222.7 估算	否	0.446
RTX 4090 24GB	24	Q4	213.8 估算	是	0.134
RTX 4090D 24GB (China)	24	Q4	213.8 估算	是	0.134
RTX 3090 Ti 24GB	24	Q4	213.8 估算	是	0.107
RX 7900 GRE 16GB	16	Q4	205.6 估算	否	0.374
RX 7900 XTX 24GB	24	Q4	203.6 估算	是	0.204
RTX 6000 Ada 48GB	48	Q4	203.6 估算	是	0.03
Arc A770 16GB	16	Q4	199.9 估算	否	0.573
RTX 3090 24GB	24	Q4	198.5 估算	是	0.132
H100 80GB SXM5	80	FP16	195.4 估算	是	0.007
Gaudi 3 128GB	128	FP16	191.1 估算	是	0.015
L40S 48GB	48	Q4	183.3 估算	是	0.023
Mac Studio M3 Ultra 96GB	96	Q4	173.7 估算	是	0.043
Mac Studio M2 Ultra 192GB	192	Q4	169.7 估算	是	0.024
RTX A6000 48GB	48	Q4	162.9 估算	是	0.036
RTX 5060 Ti 16GB	16	Q4	159.9 估算	否	0.373
RTX 5070 12GB	12	Q4	134.9 估算	否	0.246
A100 80GB SXM4	80	FP16	118.9 估算	是	0.008
MacBook Pro M4 Max 128GB	128	Q4	115.8 估算	是	0.026
T4 16GB	16	Q4	114.2 估算	否	0.057
RTX 4070 Ti 12GB	12	Q4	111.2 估算	否	0.139
RTX 3080 10GB	10	Q4	106.0 估算	否	0.152
RTX 4060 Ti 16GB	16	Q4	102.8 估算	否	0.206
RX 7600 XT 16GB	16	Q4	102.8 估算	否	0.312
RTX 4070 12GB	12	Q4	101.2 估算	否	0.169
RTX 4070 Super 12GB	12	Q4	101.2 估算	否	0.169
Arc B580 12GB	12	Q4	91.5 估算	否	0.367
RX 7700 XT 12GB	12	Q4	86.7 估算	否	0.193
MacBook Pro M3 Max 128GB	128	Q4	84.8 估算	是	0.02
RTX 3060 12GB	12	Q4	72.3 估算	否	0.22
RTX 6000 Ada 48GB	48	FP16	71.9 估算	否	0.011
L40S 48GB	48	FP16	64.7 估算	否	0.008
RTX 5090 32GB	32	FP16	59.7 估算	否	0.03
Mac mini M4 Pro 64GB	64	Q4	57.9 估算	是	0.026
RTX A6000 48GB	48	FP16	57.5 估算	否	0.013
Arc B570 10GB	10	Q4	53.0 估算	否	0.242
Mac Studio M3 Ultra 96GB	96	FP16	47.8 估算	是	0.012
Mac Studio M2 Ultra 192GB	192	FP16	46.7 估算	是	0.007
RTX 5060 8GB	8	Q4	40.0 估算	否	0.134
RTX 5060 Ti 8GB	8	Q4	40.0 估算	否	0.106
RTX 3070 8GB	8	Q4	40.0 估算	否	0.08
Mac mini M4 Pro 64GB	64	FP16	36.4 估算	否	0.017
MacBook Pro M4 Max 128GB	128	FP16	31.8 估算	是	0.007
RTX 4060 Ti 8GB	8	Q4	25.7 估算	否	0.064
RX 7600 8GB	8	Q4	25.7 估算	否	0.096
Mac mini M4 32GB	32	Q4	25.5 估算	是	0.026
RTX 4060 8GB	8	Q4	24.3 估算	否	0.081
MacBook Pro M3 Max 128GB	128	FP16	23.3 估算	是	0.006
RTX 4090 24GB	24	FP16	18.9 估算	否	0.012
RTX 4090D 24GB (China)	24	FP16	18.9 估算	否	0.012
RTX 3090 Ti 24GB	24	FP16	18.9 估算	否	0.009
RX 7900 XTX 24GB	24	FP16	18.0 估算	否	0.018
RTX 3090 24GB	24	FP16	17.5 估算	否	0.012
RX 7900 XT 20GB	20	FP16	10.4 估算	否	0.012
Mac mini M4 32GB	32	FP16	4.0 估算	否	0.004

装机核对

• RTX 5090 32GB — 装得下 · ≈380.1 tok/s Q4 估算
• RTX 3090 Ti 24GB — 装得下 · ≈213.8 tok/s Q4 估算
• RTX 4090 24GB — 装得下 · ≈213.8 tok/s Q4 估算
• RTX 5080 16GB — 装不下 · ≈342.6 tok/s Q4 估算
• RTX 6000 Ada 48GB — 装得下 · ≈203.6 tok/s Q4 估算
• RX 7900 XTX 24GB — 装得下 · ≈203.6 tok/s Q4 估算
• RTX 3090 24GB — 装得下 · ≈198.5 tok/s Q4 估算
• RTX 5070 Ti 16GB — 装不下 · ≈319.8 tok/s Q4 估算
• L40S 48GB — 装得下 · ≈183.3 tok/s Q4 估算
• Mac Studio M3 Ultra 96GB — 装得下 · ≈173.7 tok/s Q4 估算
• Mac Studio M2 Ultra 192GB — 装得下 · ≈169.7 tok/s Q4 估算
• RX 7900 XT 20GB — 装不下 · ≈446.1 tok/s Q4 估算

12 款热门零售 GPU；上表每行的「装得下？」结论同样链接到完整装机核对页。

同族模型：Ornith

Ornith 1.0 Ornith-1.0-9B

全部 Ornith 模型 →