Documentación de Oracle Cloud Infrastructure

Meta Llama 3.3 (70B)

Revise las referencias de rendimiento para el modelo Meta Llama 3.3 (70B):

  • meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de AI dedicado para todas las regiones disponibles, excepto UAE East (Dubai)
  • meta.llama-3.3-70b-instruct-fp8-dynamic alojado en una unidad LARGE_GENERIC_V1 de un cluster de AI dedicado solo para la región UAE East (Dubai)
  • Consulte los detalles del modelo y revise las siguientes secciones:
    • Regiones disponibles para este modelo.
    • Tamaño de unidad de cluster de IA dedicado para alojar este modelo.
  • Revise las métricas.

Longitud aleatoria

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 meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de IA dedicado para todas las regiones, excepto para las regiones Centro de Arabia Saudita (Riyadh) y Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,05 58,64 58,02 5,19 0,19 143,72
2 0,06 57,98 114,84 5,34 0,37 286,52
4 0,06 56,74 224,06 5,29 0,75 574,6
8 0,07 54,74 425,3 5,44 1,44 1.086,78
16 0,09 50,89 775,13 5,94 2,59 1.999,12
32 0,16 44,32 1.296,53 6,59 4,53 3.456,77
64 0,4 35,74 1.914,2 8,52 6,58 5.132,42
128 1,29 25,6 2.314,73 11,93 8,49 6.334,64
256 4,09 15,27 1.976,65 20,16 8,09 5.691,5
El modelo meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,05 71,89 70,69 4,24 0,23 181,67
2 0,05 71,98 141,95 4,15 0,48 365,92
4 0,05 69,95 275,7 4,36 0,91 707,8
8 0,05 67,52 531,75 4,57 1,74 1.327,51
16 0,06 62,77 982,23 4,99 3,17 2.475,3
32 0,09 52,94 1.639,05 5,74 5,47 4.294,03
64 0,16 42,07 2.522,18 7,24 8,49 6.564,64
128 0,47 28,89 3.274,75 10,69 11,11 8.678,22
256 1,42 16,84 3.407,77 18,21 12,07 9.006,65
El modelo meta.llama-3.3-70b-instruct-fp8-dynamic alojado en una unidad LARGE_GENERIC_V1 de un cluster de IA dedicado para la región Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,16 48,04 46,17 6,7 8,79 111,27
2 0,17 47,6 92,31 6,35 18,78 234,74
4 0,19 44,98 173,37 7,1 33,47 455,1
8 0,19 41,03 316,43 7,62 62,35 795,71
16 0,22 33,54 514,93 8,85 107,34 1.365,97
32 0,29 24,98 759,52 12,4 151,9 1.939,62
64 0,64 16,78 984,11 18,71 197,12 2.554,59
128 1,7 9,84 1.099,59 31,4 226,32 2.846,33
256 17,22 6,88 1.094,51 59,29 226,27 2.874,42

Chat

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 meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de IA dedicado para todas las regiones, excepto para las regiones Centro de Arabia Saudita (Riyadh) y Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,03 58,84 58,33 1,71 0,58 113,87
2 0,04 58,51 115,31 1,73 1,15 225,2
4 0,05 57,7 225,43 1,77 2,25 440,2
8 0,08 56,45 429,3 1,83 4,29 839,09
16 0,09 53,98 820,89 1,92 8,21 1.602,31
32 0,17 49,8 1.453,58 2,16 14,54 2.839,35
64 0,31 44,96 2.457,59 2,51 24,58 4.800,51
128 0,63 36,7 3.484,65 3,34 34,85 6.797,06
256 1,33 24,95 3.137,39 5,34 31,37 6.131,39
El modelo meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,02 70,87 70,46 1,42 0,7 137,38
2 0,03 71,03 139,91 1,42 1,4 272,93
4 0,03 69,9 275,32 1,45 2,75 537,34
8 0,05 68,57 532,09 1,49 5,32 1.039,21
16 0,06 65,47 1.000,33 1,58 10 1.952,54
32 0,13 59,57 1.762,88 1,79 17,63 3.442,56
64 0,21 52,5 2.933,83 2,1 29,34 5.729,27
128 0,52 43,1 4.243,57 2,84 42,44 8.285,42
256 1,06 27,89 5.129,28 4,65 51,29 10.008,78
El modelo meta.llama-3.3-70b-instruct-fp8-dynamic alojado en una unidad LARGE_GENERIC_V1 de un cluster de IA dedicado para la región Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,08 48,06 46,46 2,14 27,88 90,59
2 0,08 47,76 92,6 2,15 55,56 180,97
4 0,11 46,29 177,34 2,25 106,4 346,25
8 0,1 41,94 323,36 2,46 194,02 630,83
16 0,23 37,87 556,47 2,85 333,88 1.086,1
32 0,35 29,6 852,79 3,7 511,68 1.664,38
64 0,48 20,76 1.191,76 5,25 715,06 2.325,16
128 0,79 12,25 1.378,27 8,87 826,96 2.691
256 3,23 7,21 1.342,09 16,97 805,25 2.620,44

Generación pesada

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 meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de IA dedicado para todas las regiones, excepto para las regiones Centro de Arabia Saudita (Riyadh) y Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,03 58,67 58,3 17,06 0,06 63,82
2 0,04 58,32 113,26 17,17 0,11 124,07
4 0,05 57,67 226,53 17,38 0,23 248,17
8 0,08 56,64 439,73 17,72 0,44 481,54
16 0,14 54,48 863,09 18,48 0,86 945,33
32 0,15 50,83 1.529,11 19,8 1,53 1.674,84
64 0,26 47,1 2.960,77 21,47 2,96 3.242,25
128 0,59 39,95 4.332,27 25,6 4,33 4.743,64
256 1,37 28,47 4.197,95 36,47 4,2 4.597,71
El modelo meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,02 71,7 71,62 13,95 0,07 78,45
2 0,03 71,85 143,25 13,93 0,14 156,92
4 0,04 70,78 279,83 14,15 0,28 306,47
8 0,06 69,8 546,34 14,37 0,55 598,4
16 0,08 67,47 1.066,03 14,88 1,07 1.167,35
32 0,13 62,06 1.931,09 16,23 1,93 2.115
64 0,28 56,97 3.575,74 17,82 3,58 3.915,91
128 0,49 47,49 5.876,91 21,53 5,88 6.436,45
256 1,1 31,5 7.660,84 32,82 7,66 8.389,08
El modelo meta.llama-3.3-70b-instruct-fp8-dynamic alojado en una unidad LARGE_GENERIC_V1 de un cluster de IA dedicado para la región Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,08 48,04 46,63 20,87 2,8 51,07
2 0,09 48,43 93,27 20,72 5,6 102,15
4 0,13 47,35 186,54 21,22 11,19 204,3
8 0,17 45,78 359,64 21,99 21,58 393,9
16 0,31 42 639,44 24,1 38,37 700,29
32 0,38 35,04 1.065,59 28,89 63,94 1.167,2
64 0,48 27,7 1.719,72 36,55 103,18 1.883,3
128 0,84 18,49 2.279,01 54,86 136,74 2.496,1
256 12,49 10,14 1.923,79 112,88 115,43 2.106,78

RAG

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 meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de IA dedicado para todas las regiones, excepto para las regiones Centro de Arabia Saudita (Riyadh) y Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,15 58,36 55,63 3,56 0,28 600,44
2 0,21 57,01 107,46 3,7 0,54 1.160,14
4 0,43 55,58 197,86 4,02 0,99 2.135,93
8 0,76 51,24 339,08 4,67 1,7 3.659,93
16 1,17 41,9 528,08 5,97 2,64 5.701,12
32 1,77 29,93 740,37 8,52 3,7 7.992,66
64 2,39 17,06 831,99 14,07 4,16 8.980,85
128 5,24 9,28 793,96 26,69 3,97 8.570,79
256 18,88 5,36 668,72 56,04 3,34 7.219,15
El modelo meta.llama-3.3-70b-instruct alojado en una unidad Large Generic de un cluster de AI dedicado para la región Centro de Arabia Saudita (Riyadh).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,14 72,03 68,29 2,9 0,34 737,19
2 0,21 70,65 131,24 3,03 0,66 1.416,72
4 0,42 68,48 238,49 3,34 1,19 2.574,37
8 0,74 62,7 402,85 3,94 2,01 4.348,39
16 1,19 50,86 615,7 5,15 3,08 6.646,93
32 1,5 32,62 821,95 7,64 4,11 8.873,44
64 1,79 18,54 989,99 12,53 4,95 10.686,14
128 2,7 9,82 1.054,49 22,96 5,27 11.384,1
256 5,92 4,91 995,45 46,42 4,98 10.745,88
El modelo meta.llama-3.3-70b-instruct-fp8-dynamic alojado en una unidad LARGE_GENERIC_V1 de un cluster de IA dedicado para la región Este de Emiratos Árabes Unidos (Dubái).
Simultaneidad Tiempo hasta el primer token (TTFT) (segundo) Velocidad de inferencia a nivel de token (tokens/segundo) Rendimiento a nivel de token (tokens/segundo) Latencia de nivel de solicitud (segundo) Rendimiento a nivel de solicitud (solicitud por minuto) (RPM) Rendimiento Global Total (tokens/segundo)
1 0,61 47,82 41,63 4,77 12,49 449,51
2 0,71 44,86 76,59 5,15 22,98 826,74
4 0,81 37,37 129,16 6,14 38,75 1.394,37
8 0,88 27,43 194,45 8,13 58,33 2.099,01
16 1,02 17,67 256,65 12,28 77 2.770,52
32 1,24 10,19 302,47 20,76 90,74 3.265,01
64 10,99 7,16 318,93 38,77 95,68 3.443,02
128 47,31 7,16 318,49 75,1 95,55 3.438,12
256 117,96 7,16 305,59 145,75 91,68 3.299,34