OpenVLA TPS kalkulátor

Otevřít váhy Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence 7.2B parametry June 2024

Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..

Vypočteno pro tento model

589 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla K20c

5 GB · Q3_K_M · 28.1 tok/s

Nejrychlejší karta

B200

471 tok/s · 180 GB

Které GPU mohou spustit OpenVLA?

Nastavte vstupy, přečtěte si odpověď

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

589 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
471 tok/s

283–754 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 8.4 GB Q8_0 Pohodlný
471 tok/s

283–754 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 8.4 GB Q8_0 Pohodlný
376 tok/s

226–602 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 8.4 GB Q8_0 Pohodlný
376 tok/s

226–602 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 8.4 GB Q8_0 Pohodlný
301 tok/s

181–482 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 8.4 GB Q8_0 Pohodlný
288 tok/s

173–461 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 8.4 GB Q8_0 Pohodlný
288 tok/s

173–461 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 8.4 GB Q8_0 Pohodlný
276 tok/s

165–441 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 8.4 GB Q8_0 Pohodlný
245 tok/s

147–392 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 8.4 GB Q8_0 Pohodlný
245 tok/s

147–392 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 8.4 GB Q8_0 Pohodlný
245 tok/s

147–392 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 8.4 GB Q8_0 Pohodlný
232 tok/s

139–371 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 8.4 GB Q8_0 Pohodlný
198 tok/s

119–317 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 8.4 GB Q8_0 Pohodlný
198 tok/s

119–317 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 8.4 GB Q8_0 Pohodlný
198 tok/s

119–317 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 8.4 GB Q8_0 Pohodlný
198 tok/s

119–317 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 8.4 GB Q8_0 Pohodlný
198 tok/s

119–317 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 8.4 GB Q8_0 Pohodlný
151 tok/s

90–241 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 8.4 GB Q8_0 Pohodlný
151 tok/s

90–241 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 8.4 GB Q8_0 Pohodlný
128 tok/s

77–204 · nízká důvěra

CMP 170HX 8 GB NVIDIA 8 GB 1,490 GB/s Sep 2021 6.7 GB Q6_K Těsný
126 tok/s

75–201 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 8.4 GB Q8_0 Pohodlný
123 tok/s

74–197 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 8.4 GB Q8_0 Pohodlný
120 tok/s

72–192 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 8.4 GB Q8_0 Pohodlný
120 tok/s

72–192 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 8.4 GB Q8_0 Pohodlný
120 tok/s

72–192 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 8.4 GB Q8_0 Pohodlný

Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..

Na záznamu

Plná specifikace

Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..

Původ

Kdo vytvořil tento model, kde a kdy byl publikován.

Organizace
Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence
Typ organizace
Academia,Academia,Industry,Industry,Academia,Industry
Země
United States of America
Publikováno
13 June 2024
Autoři
Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti, Ted Xiao, Ashwin Balakrishna, Suraj Nair, Rafael Rafailov, Ethan Foster, Grace Lam, Pannag Sanketi, Quan Vuong, Thomas Kollar, Benjamin Burchfiel, Russ Tedrake, Dorsa Sadigh, Sergey Levine, Percy Liang, Chelsea Finn

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména
Robotics, Vision, Language
Úkol
Robotic manipulation
Přístup
Supervised
Základní model
Llama 2-7B
Číselný formát
BF16

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry
7.2B

Based on a Prismatic-7B VLM backbone, which itself is comprised of 600M parameter vision encoder (DinoV2 + SigLIP) plus Llama-2 7B. Table 1 indicates 7.1881 billion trainable parameters

Výcviková data
tokens

"OpenVLA consists of a pretrained visually-conditioned language model backbone that captures visual features at multiple granularities, fine-tuned on a large, diverse dataset of 970k robot manipulation trajectories from the Open-X Embodiment [1] dataset" Filtered from 2M total in OpenX.

Epochy
27
Velikost dávky
2,048

Výpočty pro trénink

Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.

Výpočty pro trénink
1.1 × 10²³ FLOP

Majority of compute is from VLA pre-training embedded in Prismatic-7B and it's constituent models. The fine-tuning compute used in this paper is "64 A100 GPUs for 14 days, or a total of 21,500 A100-hours" 21500 * 3600 * 3.12e14 * 0.4 = 9.66e21 Prismatic-7B training took "less than 9 hours" on 8 A100s: 9 * 3600 * 8 * 3.12e14 * 0.4 = 3.23e19 Add in the pre-trained components: - DinoV2 = 7.42e21, per our database - The SigLIP model in question is SoViT-400m/14 from the cited Alabdulmohsin et al…

Jak bylo ustanoveno
Hardware
Ladění výpočtů
9.7 × 10²¹ FLOP

"64 A100 GPUs for 14 days, or a total of 21,500 A100-hours" 21500 * 3600 * 3.12e14 * 0.4 = 9.66e21

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware
NVIDIA A100
Používané čipy
64
Doba reálného času
336 hours (14 days)

"The final OpenVLA model is trained on a cluster of 64 A100 GPUs for 14 days" 14 days * 24 hr/day = 336 hours

Příkon
50.5 kW

Dostupnost

Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.

Hmotnosti
Open — downloadable
Přístup k modelu
Open weights (unrestricted)
Tréninkový kód
Open source

"OpenVLA uses multiple pretrained model components: SigLIP [9] and DinoV2 [25] vision encoders and a Llama 2 [10] language model backbone. For all three models, weights are open, but not their training data or code. We release training data, code and model weights for reproducing OpenVLA on top of these components." All published material is on an MIT license. train code: https://github.com/openvla/openvla/blob/main/scripts/pretrain.py

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Pravděpodobně nad 10²³ FLOP
Yes
Proč je to sledováno
SOTA improvement

"OpenVLA outperforms the 55B-parameter RT-2-X model [1, 7], the prior state-of-the-art VLA, by 16.5% absolute success rate across 29 evaluation tasks on the WidowX and Google Robot embodiments." Top10 recent paper from Sebastian Sartor 2025-05-14 Table 4

Záznam důvěry
Confident
Citace
2,123

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
OpenVLA: An Open-Source Vision-Language-Action Mode
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží OpenVLA

Seřazeno podle odhadovaných tokenů za sekundu, nejnovější karta první, kde se rychlosti shodují. Protože generování je omezeno šířkou pásma paměti, toto řazení následuje šířku pásma spíše než jakýkoli herní benchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 471 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 471 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 376 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 376 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 301 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 288 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 288 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 276 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 245 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 245 tok/s

Nejmenší GPU, které ještě běží OpenVLA

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

  1. 01 Quadro P2200 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 27.1 tok/s
  2. 02 P102-100 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 59.5 tok/s
  3. 03 GeForce GTX 1060 5 GB 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 21.7 tok/s
  4. 04 Quadro P2000 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 19.0 tok/s
  5. 05 Tesla K20s 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 28.1 tok/s
  6. 06 Tesla K20m 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 28.1 tok/s
  7. 07 Tesla K20c 5 GB · Potřebuje 4.2 GB · Q3_K_M · Těsný 28.1 tok/s
  8. 08 RTX 1000 Mobile Ada Generation 6 GB · Potřebuje 5.0 GB · Q4_K_M · Těsný 26.1 tok/s
  9. 09 GeForce RTX 3050 6 GB 6 GB · Potřebuje 5.0 GB · Q4_K_M · Těsný 22.9 tok/s
  10. 10 Arc A380M 6 GB · Potřebuje 5.0 GB · Q4_K_M · Těsný 16.5 tok/s

Co čísla znamenají

Hardwareová stránka

Minimum karta

Tesla K20c

Potřeba paměti

4.2 GB

Nejrychlejší

471 tok/s

OpenVLA dosahuje počtu parametrů 7.2B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 589.

Na nízkém konci se to řeší pomocí Tesla K20c, s kapacitou VRAM 5 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 28.1 tokenů za sekundu

Špičkový model je B200, generování přibližně 471 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

OpenVLA byl zveřejněn Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence, v zemi zaznamenané jako United States of America, během June 2024. Vychází z organizace, která je kategorizována jako academia,Academia,Industry,Industry,Academia,Industry.

funguje v oblasti Robotics, Vision, Language, a je zaznamenán jako vykonávající úkol robotic manipulation.

Jeho výchozím bodem byl existující základní model, Llama 2-7B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.

Co rozhoduje o rychlosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 25.5 tokenů za sekundu. Producing text faster than most people read it: 559 z nich

Být hustý, čte vše sám po tokenu, což je důvod, proč pořadí podle rychlosti níže úzce následuje pořadí podle šířky pásma VRAM.

Bez rozložení pozornosti v záznamu je sloupec paměti přibližný. Je dost blízko na to, aby se podle něj vybralo hardware, a je nejméně spolehlivý při dlouhém kontextu.

Jak bylo trénováno

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.1 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro OpenVLA

Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.

  1. 01

    Zkontrolujte, co to potřebuje před čímkoli jiným.

    Tabulka uvádí každou kartu, která je schopna pojmout OpenVLA, potřebující kolem 4.2 GB při kompresi Q3_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Rozhodněte, jak dlouho vaše konverzace běží

    Konverzace také zabírá MEMORY a roste, jak pokračuje. Nastavte posuvník na délku, kterou očekáváte, protože při dlouhém CONTEXT může být KARTA, která snadno zvládá krátké dotazy, odmítnuta. OpenVLA.

  3. 03

    Nastavte minimální kvalitu

    Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., dosahující komprese Q3_K_M na nejmenší kartě, která se vejde. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.

  4. 04

    Hodnoťte podle propustnosti spíše než podle specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro OpenVLA. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 471 tok/s

  5. 05

    Podívejte se na rezervu, ne jen na padnutí

    Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě OpenVLA. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.

  6. 06

    Otevřete kartu, na které jste se usadili.

    Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro OpenVLA.

Odpovědi

OpenVLA — běžné otázky

01

OpenVLA— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

02

OpenVLA— Jak přesné jsou tyto odhady rychlosti?

Každé číslo je odvozeno od šířky pásma VRAM a velikosti modelu, není benchmarkováno, což je důvod, proč je každé publikováno jako rozsah spíše než jako jediné číslo. Jeden příklad: 283–754 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

03

OpenVLA— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla K20c, s kapacitou VRAM 5 GB. Spouští model při kompresi Q3_K_M používající přibližně 4.2 GB, a produkuje přibližně 28.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 589.

04

OpenVLA— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 471 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 559.

05

OpenVLA— kolik VRAM potřebuje?

Potřebuje asi 4.2 GB při kompresi Q3_K_M, která je ta nejmenší karta, která to používá. Méně komprese vyžaduje více: čísla ve sloupci paměti výše jsou přepočítána pro každou kartu, protože každá drží nejméně komprimovanou verzi, kterou může.

06

OpenVLA— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q6_K, používající přibližně 6.7 GB a generováním zhruba 128 tokenů za sekundu. Fit je těsný.

07

OpenVLA— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 8.4 GB a generováním zhruba 53.8 tokenů za sekundu. Fit je pohodlný.

08

OpenVLA— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 8.4 GB a generováním zhruba 66.6 tokenů za sekundu. Fit je pohodlný.

09

OpenVLA— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q8_0, používající přibližně 8.4 GB a generováním zhruba 79.0 tokenů za sekundu. Fit je pohodlný.

10

OpenVLA— Je to OPEN SOURCE?

Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.

11

OpenVLA— kolik má parametrů?

Má počet parametrů 7.2B. Based on a Prismatic-7B VLM backbone, which itself is comprised of 600M parameter vision encoder (DinoV2 + SigLIP) plus Llama-2 7B. Table 1 indicates 7.1881 billion trainable parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

12

OpenVLA— Kdo to vytvořil?

Bylo to publikováno společností Stanford University,University of California (UC) Berkeley,Toyota Research Institute,Google DeepMind,Massachusetts Institute of Technology (MIT),Physical Intelligence, zakládající se na United States of America, organizace zařazená jako academia,Academia,Industry,Industry,Academia,Industry.

13

OpenVLA— Kdy byl vydán?

Bylo to zveřejněno v June 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

14

OpenVLA— K čemu se to používá?

funguje v oblasti Robotics, Vision, Language, a je zaznamenáno jako zpracovávající úkol robotic manipulation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

15

OpenVLA— kde si to mohu stáhnout?

Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.

16

OpenVLA— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.1 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.

17

OpenVLA— Mohu to spustit, pokud se to nevejde do mé GPU?

Částečně. Vrstvy, které se nevejdou, sedí v systémové paměti a běží jen při zlomku rychlosti, takže většinou odložený model není často použitelný. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 1.4 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

18

OpenVLA— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 589. Takže druhá karta je tu zřídka odpovědí.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 2026

Druhý směr

Díváte se na to z druhé strany?

Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.

Všechny AI modely