Scénario 3 : tests de performances de génération lourds dans l'IA générative
Le scénario de génération lourde concerne les cas d'utilisation lourds de la génération/réponse de modèle. Par exemple, une description d'emploi longue générée à partir d'une courte liste d'éléments.
Le scénario de génération lourde est exécuté avec les longueurs de jeton suivantes :
- La longueur de l'invite est fixée à 100 jetons
- La longueur de la réponse est fixée à 1 000 jetons
Les performances (vitesse d'inférence, débit, latence) d'un cluster d'IA dédié à l'hébergement dépendent des scénarios de trafic passant par le modèle qu'il héberge. Les scénarios de trafic dépendent des éléments suivants :
- Nombre de demandes simultanées.
- Nombre de jetons dans l'invite.
- Nombre de jetons dans la réponse.
- Ecart de (2) et (3) entre les demandes.
Passez en revue les termes utilisés dans les tests d'évaluation du cluster AI dédié de l'hébergement. Pour obtenir la liste des scénarios et leur description, reportez-vous à la rubrique Scénarios de génération de discussion et de texte. Le scénario de génération lourde est effectué dans la région suivante.
Est du Brésil (São Paulo)
- Modèle : modèle
meta.llama-3.1-405b-instruct
(Meta Llama 3.1 (405B)) hébergé sur une unité Large Generic 4 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 31,28 26,55 18,5 3,24 2 30,79 50,88 16,14 7,12 4 29,46 93,36 18,15 12,09 8 28,2 170,2 19,4 21,4 16 26,37 271,8 17,73 40,56 32 25,24 419,13 21,06 55,06 64 22,19 755,43 24,38 98,29 128 17,43 1 248,19 29,45 168 256 11,27 1 794,88 44,85 236,65 - Modèle : modèle
meta.llama-3.1-70b-instruct
(Meta Llama 3.1 (70B)) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 95,37 52,01 19,56 3,07 2 92,77 101,29 20,04 5,98 4 91,6 191,83 20,34 11,32 8 86,83 338,87 21,51 19,97 16 78,12 547,34 23,92 32,23 32 64,77 1 111,24 28,91 65,46 64 50,52 1 722,11 37,23 101,48 128 31,29 2 123,49 60,17 125,12 256 14,93 2 002,12 126,87 117,98 - Modèle : modèle
meta.llama-3-70b-instruct
(Meta Llama 3) hébergé sur une unité Large Generic d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 50,18 50,14 20,43 2,94 2 49,28 97,61 20,78 5,72 4 48,22 186,82 21,32 10,94 8 47,2 365,89 21,75 21,43 16 44,69 650,22 22,89 38,03 32 37,29 989,98 27,31 58,04 64 29,53 1 621,76 32,68 95,08 128 19,17 1 784,76 53,14 104,56 256 10,79 2 271,18 94,78 133,05 - Modèle : modèle
cohere.command-r-16k v1.2
(Cohere Command R) hébergé sur une unité Small Cohere V2 d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 47,2 50,32 3,53 16,65 2 45,06 98,42 3,61 32,48 4 43,85 165,6 3,26 63,91 8 40,56 292,22 3,04 133,2 16 38,35 416,13 3,61 171,22 32 28,68 557,5 4,64 219,01 64 15,19 613,72 9,65 171,83 128 10,74 664,11 11,67 233,87 256 5,83 721,5 22,78 253,54 - Modèle : modèle
cohere.command-r-plus
(Cohere Command R+) hébergé sur une unité Large Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 126,4 110,9 13,07 4,57 2 122,93 213,92 13,33 8,87 4 117,03 403,27 15,32 15,26 8 106,11 707,45 16,86 26,78 16 98,06 1 258,94 18,22 47,94 32 86,74 2 147,82 21,04 79,38 64 72,43 3 011,59 25,5 107,48 128 55,8 5 058,49 32,38 191,22 256 36,56 5 025,93 52,34 189,68
Germany Central (Frankfurt)
- Modèle : modèle
meta.llama-3.1-405b-instruct
(Meta Llama 3.1 (405B)) hébergé sur une unité Large Generic 4 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 31,28 26,55 18,5 3,24 2 30,79 50,88 16,14 7,12 4 29,46 93,36 18,15 12,09 8 28,2 170,2 19,4 21,4 16 26,37 271,8 17,73 40,56 32 25,24 419,13 21,06 55,06 64 22,19 755,43 24,38 98,29 128 17,43 1 248,19 29,45 168 256 11,27 1 794,88 44,85 236,65 - Modèle : modèle
meta.llama-3.1-70b-instruct
(Meta Llama 3.1 (70B)) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 95,37 52,01 19,56 3,07 2 92,77 101,29 20,04 5,98 4 91,6 191,83 20,34 11,32 8 86,83 338,87 21,51 19,97 16 78,12 547,34 23,92 32,23 32 64,77 1 111,24 28,91 65,46 64 50,52 1 722,11 37,23 101,48 128 31,29 2 123,49 60,17 125,12 256 14,93 2 002,12 126,87 117,98 - Modèle : modèle
meta.llama-3-70b-instruct
(Meta Llama 3) hébergé sur une unité Large Generic d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 50,18 50,14 20,43 2,94 2 49,28 97,61 20,78 5,72 4 48,22 186,82 21,32 10,94 8 47,2 365,89 21,75 21,43 16 44,69 650,22 22,89 38,03 32 37,29 989,98 27,31 58,04 64 29,53 1 621,76 32,68 95,08 128 19,17 1 784,76 53,14 104,56 256 10,79 2 271,18 94,78 133,05 - Modèle : modèle
cohere.command-r-16k v1.2
(Cohere Command R) hébergé sur une unité Small Cohere V2 d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 47,2 50,32 3,53 16,65 2 45,06 98,42 3,61 32,48 4 43,85 165,6 3,26 63,91 8 40,56 292,22 3,04 133,2 16 38,35 416,13 3,61 171,22 32 28,68 557,5 4,64 219,01 64 15,19 613,72 9,65 171,83 128 10,74 664,11 11,67 233,87 256 5,83 721,5 22,78 253,54 - Modèle : modèle
cohere.command-r-plus
(Cohere Command R+) hébergé sur une unité Large Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 126,4 110,9 13,07 4,57 2 122,93 213,92 13,33 8,87 4 117,03 403,27 15,32 15,26 8 106,11 707,45 16,86 26,78 16 98,06 1 258,94 18,22 47,94 32 86,74 2 147,82 21,04 79,38 64 72,43 3 011,59 25,5 107,48 128 55,8 5 058,49 32,38 191,22 256 36,56 5 025,93 52,34 189,68
UK South (London)
- Modèle : modèle
meta.llama-3.1-405b-instruct
(Meta Llama 3.1 (405B)) hébergé sur une unité Large Generic 4 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 31,28 26,55 18,5 3,24 2 30,79 50,88 16,14 7,12 4 29,46 93,36 18,15 12,09 8 28,2 170,2 19,4 21,4 16 26,37 271,8 17,73 40,56 32 25,24 419,13 21,06 55,06 64 22,19 755,43 24,38 98,29 128 17,43 1 248,19 29,45 168 256 11,27 1 794,88 44,85 236,65 - Modèle : modèle
meta.llama-3.1-70b-instruct
(Meta Llama 3.1 (70B)) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 95,37 52,01 19,56 3,07 2 92,77 101,29 20,04 5,98 4 91,6 191,83 20,34 11,32 8 86,83 338,87 21,51 19,97 16 78,12 547,34 23,92 32,23 32 64,77 1 111,24 28,91 65,46 64 50,52 1 722,11 37,23 101,48 128 31,29 2 123,49 60,17 125,12 256 14,93 2 002,12 126,87 117,98 - Modèle : modèle
meta.llama-3-70b-instruct
(Meta Llama 3) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 50,18 50,14 20,43 2,94 2 49,28 97,61 20,78 5,72 4 48,22 186,82 21,32 10,94 8 47,2 365,89 21,75 21,43 16 44,69 650,22 22,89 38,03 32 37,29 989,98 27,31 58,04 64 29,53 1 621,76 32,68 95,08 128 19,17 1 784,76 53,14 104,56 256 10,79 2 271,18 94,78 133,05 - Modèle : modèle
cohere.command-r-16k v1.2
(Cohere Command R) hébergé sur une unité Small Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 47,2 50,32 3,53 16,65 2 45,06 98,42 3,61 32,48 4 43,85 165,6 3,26 63,91 8 40,56 292,22 3,04 133,2 16 38,35 416,13 3,61 171,22 32 28,68 557,5 4,64 219,01 64 15,19 613,72 9,65 171,83 128 10,74 664,11 11,67 233,87 256 5,83 721,5 22,78 253,54 - Modèle : modèle
cohere.command-r-plus
(Cohere Command R+) hébergé sur une unité Large Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 126,4 110,9 13,07 4,57 2 122,93 213,92 13,33 8,87 4 117,03 403,27 15,32 15,26 8 106,11 707,45 16,86 26,78 16 98,06 1 258,94 18,22 47,94 32 86,74 2 147,82 21,04 79,38 64 72,43 3 011,59 25,5 107,48 128 55,8 5 058,49 32,38 191,22 256 36,56 5 025,93 52,34 189,68
US Midwest (Chicago)
- Modèle : modèle
meta.llama-3.1-405b-instruct
(Meta Llama 3.1 (405B)) hébergé sur une unité Large Generic 4 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 31,28 26,55 18,5 3,24 2 30,79 50,88 16,14 7,12 4 29,46 93,36 18,15 12,09 8 28,2 170,2 19,4 21,4 16 26,37 271,8 17,73 40,56 32 25,24 419,13 21,06 55,06 64 22,19 755,43 24,38 98,29 128 17,43 1 248,19 29,45 168 256 11,27 1 794,88 44,85 236,65 - Modèle : modèle
meta.llama-3.1-70b-instruct
(Meta Llama 3.1 (70B)) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 95,37 52,01 19,56 3,07 2 92,77 101,29 20,04 5,98 4 91,6 191,83 20,34 11,32 8 86,83 338,87 21,51 19,97 16 78,12 547,34 23,92 32,23 32 64,77 1 111,24 28,91 65,46 64 50,52 1 722,11 37,23 101,48 128 31,29 2 123,49 60,17 125,12 256 14,93 2 002,12 126,87 117,98 - Modèle : modèle
meta.llama-3-70b-instruct
(Meta Llama 3) hébergé sur une unité Large Generic d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 30,53 30,51 33,58 1,79 2 29,78 59,01 34,42 3,45 4 28,88 112,35 35,48 6,58 8 27,67 215,18 36,99 12,61 16 24,85 364,06 40,99 21,34 32 20,51 552,34 49,6 32,35 64 16,12 900,39 59,36 52,72 128 10,17 980,45 100,27 57,43 256 6,3 1 334,59 162,08 78,19 - Modèle : modèle
cohere.command-r-16k v1.2
(Cohere Command R) hébergé sur une unité Small Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 47,2 50,32 3,53 16,65 2 45,06 98,42 3,61 32,48 4 43,85 165,6 3,26 63,91 8 40,56 292,22 3,04 133,2 16 38,35 416,13 3,61 171,22 32 28,68 557,5 4,64 219,01 64 15,19 613,72 9,65 171,83 128 10,74 664,11 11,67 233,87 256 5,83 721,5 22,78 253,54 - Modèle : modèle
cohere.command-r-plus
(Cohere Command R+) hébergé sur une unité Large Cohere V2 d'un cluster d'IA dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 126,4 110,9 13,07 4,57 2 122,93 213,92 13,33 8,87 4 117,03 403,27 15,32 15,26 8 106,11 707,45 16,86 26,78 16 98,06 1 258,94 18,22 47,94 32 86,74 2 147,82 21,04 79,38 64 72,43 3 011,59 25,5 107,48 128 55,8 5 058,49 32,38 191,22 256 36,56 5 025,93 52,34 189,68 - Modèle : modèle
cohere.command
(Cohere Command 52 B) hébergé sur une unité Large Cohere d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 35,78 33,43 10,98 5,33 8 31,41 99,67 13,87 16,61 32 28,49 237,1 19,48 40,24 128 23,01 326,93 53,13 54,89 - Modèle : modèle
cohere.command-light
(Cohere Command Light 6 B) hébergé sur une unité Small Cohere d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 80,38 83,61 9,19 6,34 8 45,96 278,91 13,89 22,46 32 23,9 493,78 27,34 41,13 128 5,12 565,06 82,15 44,89 - Modèle : modèle
meta.llama-2-70b-chat
(Llama2 70 B) hébergé sur une unité Llama2 70 d'un cluster AI dédié -
Accès simultané Vitesse d'inférence au niveau du jeton (jeton/seconde) Débit au niveau du jeton (jeton/seconde) Latence au niveau de la demande (seconde) Débit au niveau de la demande (demande par minute) (RPM) 1 18,12 17,58 21,44 2,72 8 15,96 64,28 26,83 8,91 32 13,72 195,48 29,43 27,99 128 8,61 541,75 48,5 71,52