Cohere Command R+ 08-2024

Este escenario imita los casos de uso de generación de texto en los que se desconoce el tamaño de la petición de datos y la respuesta con antelación. Debido a las longitudes de respuesta y petición de datos desconocidas, hemos utilizado un enfoque estocástico donde tanto la longitud de la petición de datos como la de la respuesta siguen una distribución normal. La longitud de la petición de datos sigue una distribución normal con una media de 480 tokens y una desviación estándar de 240 tokens. La longitud de respuesta sigue a una distribución normal con una media de 300 tokens y una desviación estándar de 150 tokens.

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para todas las regiones, excepto para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo (RPS)
1	59,4	51,39	3,97	0,25
2	56,82	99,37	4,07	0,49
4	53,54	187,3	4,29	0,92
8	45,14	321,74	4,98	1,57
16	37,45	527,84	6,06	2,52
32	31,06	835,95	7,05	4,17
64	21,23	1.013,92	9,91	5,36
128	12,27	1.013,5	15,17	6,28
256	11,97	711,27	41,84	4,49

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	68,26	57,04	4,56	0,22
2	66,98	113,61	4,65	0,43
4	63,73	217,25	4,94	0,8
8	59,32	403,93	5,15	1,53
16	54,51	737,83	5,63	2,75
32	45,65	1.213,09	6,57	4,55
64	35,81	1.791,62	8,42	6,71
128	24,2	2.030,12	11,87	8,22
256	23,53	2.064,19	19,82	8,42

Este escenario abarca casos de uso de chat y diálogo en los que la petición de datos y las respuestas son cortas. La petición de datos y la longitud de respuesta se fijan a 100 tokens.

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para todas las regiones, excepto para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	59,64	44,86	1,99	0,5
2	57,81	87,16	2,02	0,98
4	54,31	164,73	2,12	1,86
8	46,73	290,36	2,43	3,22
16	40,77	496,24	2,76	5,52
32	34,74	786,28	3,53	8,77
64	25,08	1.074,45	4,57	12,13
128	17,46	1.402,86	7,15	15,58
256	14,68	1.321,52	12,48	14,82

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	69,01	47,06	1,97	0,5
2	67,99	92,76	1,99	1
4	66,71	182,12	2,03	1,95
8	64,71	345,04	2,09	3,7
16	61,79	658,79	2,19	7,06
32	57,74	1.196,06	2,37	12,79
64	50,01	1.861,32	2,86	19,97
128	37,88	2.266,4	4	24,28
256	35,73	2.753,63	6,15	29,5

Este escenario es para casos de uso intensos de generación y respuesta de modelo. Por ejemplo, una descripción larga del trabajo generada a partir de una breve lista de viñetas de elementos. En este caso, la longitud de petición de datos se fija a 100 tokens y la longitud de respuesta se fija a 1.000 tokens.

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para todas las regiones, excepto para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	58,51	48,56	4,08	0,24
2	55,59	91,08	4,35	0,46
4	51,26	162,12	4,87	0,81
8	42,35	251,89	6,25	1,26
16	32,91	371,92	8,47	1,86
32	28,74	555,48	11,29	2,78
64	15,69	627,51	19	3,14
128	7,11	577,71	36,95	2,9
256	6,27	541,87	63,18	2,72

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	66,69	62,92	14,14	0,07
2	66,4	123,84	14,32	0,14
4	64,72	244,79	14,51	0,27
8	63,87	486,7	14,9	0,53
16	60,49	915,45	15,54	1,02
32	57,09	1.708,15	16,57	1,89
64	49,88	2.943,89	18,9	3,3
128	40,01	4.514,92	23,89	5,05
256	39,84	4.740,55	39,5	5,26

El escenario de generación aumentada de recuperación (RAG) tiene una petición de datos muy larga y una respuesta corta, como el resumen de casos de uso. La longitud de petición de datos se fija a 2.000 tokens y la longitud de respuesta se fija a 200 tokens.

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para todas las regiones, excepto para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	61,54	58,82	12,2	0,08
2	59,46	113,88	14,32	0,14
4	56,83	216,43	13,34	0,29
8	50,35	383,52	14,16	0,55
16	45,71	681,87	16,28	0,94
32	42,04	1.203,12	16,03	1,81
64	32,83	1.870,11	19,12	2,99
128	24,8	2.728,79	27,59	3,96
256	24,51	2.532,47	43,73	3,69

El modelo cohere.command-r-plus-08-2024 alojado en una unidad Large Cohere V2_2 de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).

Simultaneidad	Velocidad de inferencia a nivel de token (token/second)	Rendimiento a nivel de token (token/segundo)	Latencia de nivel de solicitud (segundo)	Rendimiento a nivel de solicitud (solicitud por segundo) (RPS)
1	69,52	54,09	3,46	0,29
2	67,31	103,91	3,62	0,55
4	63,19	189,23	3,91	1,01
8	57,13	331,56	4,48	1,77
16	48,48	524,4	5,64	2,79
32	38,31	735,33	7,84	3,9
64	22,66	894,11	12,58	4,73
128	10,61	819,11	24,39	4,35
256	9,16	803,95	42,18	4,25