Cihaz Önerisi

Kaç kameranız olduğunu, görüntülerinin ne kadar büyük olduğunu ve hangi görüntü-dil modelini çalıştırmak istediğinizi söyleyin. Bu sayfa ölçtüğümüz cihazlar arasından yetişebilen en küçüğünü söyler, sonra bu cevabı oynatır: kamera başına bir şerit, her istek için bir bant ve aralarda biriken kareler.

Arkada çalışan bir sistem yok. Zaman çizgisi, bu sitede zaten yayımlanmış ölçümlerin gerçek zaman hızında çizilmiş bir izdüşümüdür.

Bu sayfa nasıl okunur

Ne seçiyorsunuz

Model — çalıştırmak istediğiniz görüntü-dil modeli. Yalnızca ölçtüğümüz modeller listelenir.

Görüntü boyutu — her kameranın gönderdiği görüntünün büyüklüğü: 480p, 720p, 1080p ya da 2K. Bu sayfadaki en güçlü kaldıraç budur. Bir görüntü-dil modeli bekleme süresinin çoğunu görüntüyü okuyarak geçirir; 720p’den 1080p’ye çıkmak cihazı değiştirmekten daha pahalıya gelebilir.

Kamera — aynı anda istek gönderen kamera sayısı. Her kamera bir öncekine yanıt gelir gelmez yenisini gönderir, dolayısıyla kamera sayısı aynı zamanda işlemdeki istek sayısıdır.

Diğer seçenekler altında üç tane daha var: her isteğin kaç kare taşıdığı, bir kameranın yanıtının başlaması için en fazla ne kadar bekleyebileceği ve kameraların kendi kare hızı. Sonuncusu hiçbir ölçümü değiştirmez — “dört saniyede bir istek” ifadesini “model seksen karede birini görüyor” ifadesine çeviren şeydir.

Sayılar ne anlama geliyor

Yanıt şu süre sonra başlar, ölçülmüş ilk token süresidir: bir kamera yanıtının gelmeye başlaması için ne kadar bekler. Hedefle karşılaştırılan ve öneriyi belirleyen sayı budur.

Yanıt sıklığı buna yanıtın yazılma süresini de ekler; yani tam gidiş-dönüş, dolayısıyla bir kameraya ne sıklıkla bakıldığıdır.

Modele ulaşan kare bu gidiş-dönüşü, kameranın bu arada yakaladıklarıyla karşılaştırır. İnsanları en çok şaşırtan sayı budur: saniyede 20 kare yayınlayan ve dört saniyede bir yanıtlanan bir kamerada, modelin okuduğu her kareye karşılık seksen kare geçip gitmiştir.

Neden o cihaz

Hedefinizi tutan cihazlar başta listelenir, en küçüğü önde — işe yarayan öneri, laboratuvardaki en hızlı makine değil, işi gören en az donanımdır. Hedefi tutmayanlar, en yakını önde olacak şekilde arkadan gelir; böylece kıl payı kaçırılan bir hedef gizlenmek yerine görünür olur. Akışını oynatmak için herhangi birine tıklayabilirsiniz.

Tahmini etiketli bir kart ara değerle hesaplanmıştır: tarama 1, 2, 4, 8 ve 16 kamerada ölçüldü ve sizin sayınız bunlardan ikisinin arasına düşüyor. Bir yapılandırmanın gerçekten test edildiği en yüksek kamera sayısının ötesine hiçbir şey uzatılmaz — kamera sürgüsü ölçümlerin bittiği yerde durur.

Zaman çizgisi ne gösteriyor

Her kameranın şeridi ikiye ayrılır. Üst satır istek başına bir banttır; isteğin tamamını kaplar ve ne kadar sürdüğü üzerinde yazar. Bandın içindeki çizgi bu süreyi iki parçaya böler:

• Koyu, çizgiye kadar — ilk token’a kadar geçen süre, yani ölçülen TTFT. Tek kamerada bu, modelin görüntüleri okumasıdır: decode etmesi, vision encoder’ı çalıştırması ve çıkan token’lar üzerinde prefill yapması. Birden fazla kamerada ise çoğunlukla isteğin diğerlerinin arkasında sıra beklemesidir — görüntüler değişmediği hâlde bu parçanın kamera sayısıyla büyümesinin sebebi budur.
• Açık, çizgiden sonra — yanıtın geri kalanının yazılması: ölçülen token hızında 128 token.

Bantlar uç uca durur, çünkü kamera bir önceki yanıt tamamlanır tamamlanmaz yenisini gönderir — cihaz hiç boşta kalmaz. Alt satır aynı zaman aralığının kamera tarafından görünüşüdür: bir sonraki istek için biriken kareler. Aradaki ok, karelerin seçilip modele verildiği anı işaretler.

İki satır bilerek aynı x eksenini paylaşır. N’inci isteğin işlenmesi ile N+1’inci isteğin kare toplaması gerçekten aynı saniyelerde olur; kameranın yakaladığının bu kadar azını görmesinin sebebi de tam olarak bu eşzamanlılıktır.

Görüntüdeki iki şey ölçüm değildir ve ikisi de yalnızca görseldir: şeritler aynı anda başlamak yerine bir devire yayılmıştır ve her şeridin zamanlaması ölçülen ortalamanın birkaç yüzde çevresinde değişir. Zaman çizgisinin üstündeki sayılar ortalamaların kendisidir, dokunulmamıştır.

Bu sayfa ne değildir

Bu sayfanın dayandığı ölçümler tek bir sabit iş yükü kullanır — örnek fotoğraflar, kısa bir istem, en fazla 128 token’lık yanıtlar — ve ortalama değerlerdir. Sizin kameralarınız, istemleriniz ve yanıt uzunluklarınız farklı olacaktır; üretimde en yavaş istekler ortalamadan daha önemlidir. Sonucu bir kapasite planı değil, bir kısa liste olarak değerlendirin. Dayanak sayılar ve onlara ilişik her uyarı VLM Çıkarım Benchmark Gezgini sayfasındadır.