This model is deprecated. We only continue performance benchmarking for the default 10k input token workload. Results for other workloads are historical and no longer updated.

Meta has launched a newer model, Llama 3.2 11B (Vision). We suggest considering it instead.

For more information, see comparison of Llama 3.2 11B (Vision) to other models and API provider benchmarks for Llama 3.2 11B (Vision).

Llama 3.1 Instruct 8B logo
Meta
•

Open weights model

•

Released July 2024

Llama 3.1 Instruct 8B Benchmarking e análise de provedores de API

Comparação de modelos

Esta análise ajuda você a escolher o melhor provedor de API de Llama 3.1 Instruct 8B para seu caso de uso.

Mais rápido

#1
GroqGroq
664.8 t/s
#2
AmazonAmazon
184.0 t/s
#3
CoreWeaveCoreWeave
139.7 t/s
#4
NovitaNovita
138.2 t/s
#5
DeepInfraDeepInfra
25.7 t/s

Velocidade de saída

7 provedores no total

Menor latência

#1
AmazonAmazon
0.71 s
#2
NovitaNovita
0.83 s
#3
DeepInfraDeepInfra
0.89 s
#4
DeepInfra (Turbo, FP8)DeepInfra (Turbo, FP8)
0.94 s
#5
GroqGroq
0.94 s

Tempo até o primeiro token

7 provedores no total

Menor preço

#1
CloudflareCloudflare
$0.00
#2
DeepInfra (Turbo, FP8)DeepInfra (Turbo, FP8)
$0.02
#3
NovitaNovita
$0.02
#4
DeepInfraDeepInfra
$0.02
#5
GroqGroq
$0.05

Preço combinado (por 1M de tokens)

7 provedores no total

Llama 3.1 8B está disponível em 7 provedores de API, cada um com características de desempenho e preços diferentes. Veja abaixo uma comparação das principais métricas entre os provedores.

  • Em velocidade de saída, os principais provedores são Groq (664.8 t/s), Amazon (184.0 t/s) e CoreWeave (139.7 t/s). A velocidade varia significativamente entre os provedores, com uma diferença de 2657% entre o mais rápido e o mais lento.
  • Em latência, Amazon (0.71s), Novita (0.83s) e DeepInfra (0.89s) têm o menor tempo até o primeiro token.
  • Em preço, Cloudflare (0.00), DeepInfra (Turbo, FP8) (0.02) e Novita (0.02) têm os menores preços combinados por 1M de tokens.

Destaques

Velocidade

Output tokens per second · Higher is better

Tempo de resposta de ponta a ponta

Seconds · Lower is better

Preço

USD per 1M tokens (blended) · Lower is better

Preços

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens) · Lower is better · 10,000 input tokens

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Pricing: Blended Price

Blended at 7:2:1 (cache-input-output) · USD per 1M tokens (blended) · Lower is better

Price per token, shown in USD per million tokens. Price is a blend of cache hit, input, and output token prices using the selected ratio (default 7:2:1 cache-input-output).

Output Speed vs. Price

Blended at 7:2:1 (cache-input-output) · Output speed: output tokens per second · USD per 1M tokens (blended)
Most attractive quadrant
Pareto line

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Velocidade

Medida pela velocidade de saída (tokens por segundo)

Output Speed: Llama 3.1 Instruct 8B

Output speed: output tokens per second · 10,000 input tokens

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Figures represent performance of the model's first-party API (e.g. OpenAI for o1) or the median across providers where a first-party API is not available (e.g. Meta's Llama models).

Latency vs. Output Speed

Latency: seconds to first token received · Output speed: output tokens per second · 10,000 input tokens
Most attractive quadrant
Pareto line

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Latência

Medida pelo tempo (segundos) até o primeiro token

Tempo até o primeiro token

Seconds to first token received · Lower is better · 10,000 input tokens

Time to first token received, in seconds, after API request sent. For reasoning models which share reasoning tokens, this will be the first reasoning token. For models which do not support streaming, this represents time to receive the completion.

Figures represent median (P50) measurement over the past 72 hours to reflect sustained changes in performance.

Tempo de resposta de ponta a ponta

Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed

Tempo de resposta de ponta a ponta

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better · 10,000 input tokens

Seconds to receive a 500 token response. Key components:

  • Input time: Time to receive the first response token
  • Thinking time (only for reasoning models): Time reasoning models spend outputting tokens to reason prior to providing an answer. Amount of tokens based on the average reasoning tokens across a diverse set of 60 prompts (methodology details).
  • Answer time: Time to generate 500 output tokens, based on output speed

Principais métricas de comparação e recursos da API

Logo: GroqGroq
131k
Aberto
--
665
0.93
1.68
--
Logo: NovitaNovita
16.4k
Aberto
--
165
0.81
3.84
--
Logo: CoreWeaveCoreWeave
128k
Aberto
--
139
0.97
4.57
--
Logo: Amazon BedrockAmazon Bedrock
128k
Aberto
--
193
0.74
3.33
--
Logo: CloudflareCloudflare
30k
Aberto
--
--
--
--
--
Logo: DeepInfraDeepInfra
131k
Aberto
--
23
0.96
22.37
--
Logo: DeepInfraDeepInfra
131k
Aberto
--
28
0.88
19.04
--

Perguntas frequentes

Perguntas comuns sobre os provedores do Llama 3.1 Instruct 8B

Llama 3.1 Instruct 8B está disponível em 7 provedores de API: Groq, Novita, CoreWeave, Amazon, Cloudflare, DeepInfra (Turbo, FP8) e DeepInfra. Cada provedor oferece características de desempenho e preços diferentes.

Atualmente, o Llama 3.1 Instruct 8B está disponível em 7 provedores de API que avaliamos e acompanhamos.

Os provedores mais rápidos para o Llama 3.1 Instruct 8B em velocidade de saída são Groq (664.8 t/s), Amazon (184.0 t/s) e CoreWeave (139.7 t/s). A velocidade de saída mede a rapidez com que os tokens são gerados depois que o modelo começa a responder.

Os provedores com o menor tempo até o primeiro token para o Llama 3.1 Instruct 8B são Amazon (0.71s), Novita (0.83s) e DeepInfra (0.89s). Uma latência menor significa um tempo de resposta inicial mais rápido.

Os provedores mais acessíveis para o Llama 3.1 Instruct 8B em preço combinado são Cloudflare ($0.00 por 1M de tokens), DeepInfra (Turbo, FP8) ($0.02 por 1M de tokens) e Novita ($0.02 por 1M de tokens). O preço combinado usa uma proporção de 7:2:1 entre tokens de acerto do cache, entrada e saída.

Os provedores com o menor preço de tokens de entrada para o Llama 3.1 Instruct 8B são Cloudflare ($0.00 por 1M de tokens de entrada), Novita ($0.02 por 1M de tokens de entrada) e DeepInfra (Turbo, FP8) ($0.02 por 1M de tokens de entrada).

Os provedores com o menor preço de tokens de saída para o Llama 3.1 Instruct 8B são Cloudflare ($0.00 por 1M de tokens de saída), DeepInfra (Turbo, FP8) ($0.04 por 1M de tokens de saída) e Novita ($0.05 por 1M de tokens de saída).

A velocidade de saída do Llama 3.1 Instruct 8B varia significativamente entre os provedores. Groq é o mais rápido, com 664.8 t/s, 27.6x mais rápido que DeepInfra (Turbo, FP8), com 24.1 t/s.

6 de 7 provedores são compatíveis com o modo JSON para o Llama 3.1 Instruct 8B: Groq, Novita, CoreWeave, Cloudflare, DeepInfra (Turbo, FP8) e DeepInfra.

6 de 7 provedores são compatíveis com chamadas de funções para o Llama 3.1 Instruct 8B: Groq, CoreWeave, Amazon, Cloudflare, DeepInfra (Turbo, FP8) e DeepInfra.

O melhor provedor para o Llama 3.1 Instruct 8B depende das suas prioridades: Groq oferece a maior velocidade de saída, Amazon tem a menor latência e Cloudflare tem o preço mais competitivo.

Ao escolher um provedor para o Llama 3.1 Instruct 8B, considere a velocidade de saída (para tarefas que exigem alta vazão), a latência (para aplicações interativas que precisam de respostas iniciais rápidas), o preço (para cargas de trabalho atentas aos custos) e os recursos da API, como modo JSON e chamadas de funções.

Sim. O desempenho dos provedores pode variar ao longo do tempo devido a mudanças na infraestrutura, balanceamento de carga e atualizações. Avaliamos continuamente todos os provedores e exibimos as tendências históricas de desempenho nos gráficos de evolução ao longo do tempo.

Para saber mais sobre a inteligência, as capacidades e as modalidades do Llama 3.1 Instruct 8B, além de como ele se compara a outros modelos, consulte a página de visão geral do modelo. Ver visão geral do modelo