13B模型，即参数量达到130亿的大模型，所需的算力是相当庞大的。这主要是因为大模型在训练和推理过程中需要进行大量的计算。为了更具体地回答这个问题，我们可以从几个方面来分析。

首先，我们来看模型参数的存储。13B模型意味着有130亿个参数，每个参数在训练过程中都需要被存储和更新。假设每个参数使用float32（即32位浮点数）来表示，那么仅参数存储就需要相当大的内存空间。此外，还需要考虑到梯度参数、优化器参数以及数据的中间计算结果等，这些都会占用额外的显存。

其次，我们考虑训练过程中的计算量。大模型的训练涉及到大量的矩阵运算和神经网络前向传播、反向传播等过程。这些计算不仅要求高性能的CPU和GPU，还需要足够的显存来支持。特别是在进行全量fp32精度训练时，显存的消耗会非常大。

此外，推理过程虽然相对训练来说计算量较小，但同样需要一定的算力支持。特别是当需要实时响应或者处理大量数据时，对算力的要求会更高。

因此，总体来说，13B模型所需的算力是相当高的。具体需要多少算力，还取决于训练数据的规模、模型的复杂度、训练策略等多个因素。为了支持这样大规模的模型训练和推理，通常需要配备高性能的计算机集群和专业的深度学习框架。

在实际应用中，为了降低算力成本和提高效率，研究者们会采用各种优化策略，如混合精度训练、分布式训练等。这些策略可以在一定程度上减少显存的占用和计算时间的开销，使得大模型的训练和推理变得更加可行和经济。

总之，13B模型所需的算力是一个复杂而具体的问题，需要根据实际情况进行评估和优化。