MatterSim (M3GNet - MatterSim-v1.0.0-5M) TPS kalkulátor

Otevřít váhy Microsoft Research AI for Science 4.5M parametry May 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

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q8_0 · 8,192 tok/s

Nejrychlejší karta

B200

752,941 tok/s · 180 GB

Které GPU mohou spustit MatterSim (M3GNet - MatterSim-v1.0.0-5M)?

Nastavte vstupy, přečtěte si odpověď

Délka kontextu tokeny

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

Minimální kvalita

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

Hledat karty

Paměť karty

Také zobrazit karty, které to nemohou spustit.

818 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
752,941 tok/s 451,765–1,204,706 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Pohodlný
752,941 tok/s 451,765–1,204,706 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Pohodlný
601,242 tok/s 360,745–961,988 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Pohodlný
601,242 tok/s 360,745–961,988 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Pohodlný
480,847 tok/s 288,508–769,355 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
460,235 tok/s 276,141–736,376 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Pohodlný
460,235 tok/s 276,141–736,376 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Pohodlný
440,471 tok/s 264,282–704,753 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Pohodlný
390,918 tok/s 234,551–625,468 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
390,918 tok/s 234,551–625,468 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
390,918 tok/s 234,551–625,468 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
370,824 tok/s 222,494–593,318 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
316,235 tok/s 189,741–505,976 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
316,235 tok/s 189,741–505,976 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Pohodlný
316,235 tok/s 189,741–505,976 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
316,235 tok/s 189,741–505,976 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
316,235 tok/s 189,741–505,976 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
240,791 tok/s 144,474–385,265 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Pohodlný
240,791 tok/s 144,474–385,265 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Pohodlný
200,659 tok/s 120,395–321,054 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
196,376 tok/s 117,826–314,202 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
192,000 tok/s 115,200–307,200 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Pohodlný
192,000 tok/s 115,200–307,200 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Pohodlný
192,000 tok/s 115,200–307,200 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Pohodlný
192,000 tok/s 115,200–307,200 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Microsoft Research AI for Science
Typ organizace: Industry
Země: United States of America
Publikováno: 10 May 2024
Autoři: Han Yang, Chenxi Hu, Yichi Zhou, Xixian Liu, Yu Shi, Jielan Li, Guanzhi Li, Zekun Chen, Shuizhou Chen, Claudio Zeni, Matthew Horton, Robert Pinsler, Andrew Fowler, Daniel Zügner, Tian Xie, Jake Smith, Lixin Sun, Qian Wang, Lingyu Kong, Chang Liu, Hongxia Hao, Ziheng Lu

Co to dělá

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

Doména: Materials science
Úkol: Atomistic simulations, Molecular simulation

Velikost

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

parametry: 4.5M
Výcviková data: tokens
Epochy: 200

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: 1.6 × 10¹⁶ FLOP
Jak bylo ustanoveno: Operation counting

Tréninkový běh

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

Tréninkový hardware: NVIDIA A100
Používané čipy: 8
Příkon: 6.3 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)

Jak je to klasifikováno

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

Záznam důvěry: Speculative

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures
Nap poslední aktualizace: 11 February 2026

Extrémy

Deset nejrychlejších GPU, které běží MatterSim (M3GNet - MatterSim-v1.0.0-5M)

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..

Nejmenší GPU, které ještě běží MatterSim (M3GNet - MatterSim-v1.0.0-5M)

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

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

0.7 GB

Nejrychlejší

752,941 tok/s

MatterSim (M3GNet - MatterSim-v1.0.0-5M) dosahuje počtu parametrů 4.5M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 8,192 tokenů za sekundu

Špičkový model je B200, generování přibližně 752,941 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

MatterSim (M3GNet - MatterSim-v1.0.0-5M) byl zveřejněn Microsoft Research AI for Science, v zemi zaznamenané jako United States of America, během May 2024. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Materials science, a je zaznamenán jako vykonávající úkol atomistic simulations, Molecular simulation.

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.

Co rozhoduje o rychlosti

Polovina karet, které to drží, zvládne více než 21,142.6 tokens za sekundu. Překračující rychlost čtení rovnou: 818 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.

Trénink a původ

Trénování si vyžádalo výpočetní rozpočet přibližně 1.6 × 10¹⁶ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Krok za krokem

Jak vybrat GPU pro MatterSim (M3GNet - MatterSim-v1.0.0-5M)

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

01

Přečtěte si nejprve číslo paměti

Každá KARTA zde byla zkontrolována proti MatterSim (M3GNet - MatterSim-v1.0.0-5M), potřebující kolem 0.7 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Nastavte délku kontextu, se kterou budete pracovat

Nastavte kontext na to, co skutečně použijete. Cache roste s konverzací a to je obvyklý důvod, proč karta, která se zdála v pořádku, přestane vejít. MatterSim (M3GNet - MatterSim-v1.0.0-5M).
03

Vyberte, jak moc to budete komprimovat.

Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., dosahující komprese Q8_0 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.
04

Hodnoťte podle propustnosti spíše než podle specifikace

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. MatterSim (M3GNet - MatterSim-v1.0.0-5M). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 752,941 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě MatterSim (M3GNet - MatterSim-v1.0.0-5M). Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.
06

Podívejte se, co dalšího ta karta spouští

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro MatterSim (M3GNet - MatterSim-v1.0.0-5M).

Odpovědi

MatterSim (M3GNet - MatterSim-v1.0.0-5M) — běžné otázky

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— kolik VRAM potřebuje?

Potřebuje asi 0.7 GB při kompresi Q8_0, 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.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.7 GB a generováním zhruba 140,235 tokenů za sekundu. Fit je pohodlný.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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 0.7 GB a generováním zhruba 85,873 tokenů za sekundu. Fit je pohodlný.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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 0.7 GB a generováním zhruba 106,353 tokenů za sekundu. Fit je pohodlný.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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 0.7 GB a generováním zhruba 126,118 tokenů za sekundu. Fit je pohodlný.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— kolik má parametrů?

Má počet parametrů 4.5M. "As the training data size increases up to 3M, the the total number of parameters in M3GNet increase accordingly from 880K to 4.5M.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— Kdo to vytvořil?

Bylo to publikováno společností Microsoft Research AI for Science, zakládající se na United States of America, organizace zařazená jako industry.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— Kdy byl vydán?

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

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— K čemu se to používá?

funguje v oblasti Materials science, a je zaznamenáno jako zpracovávající úkol atomistic simulations, Molecular simulation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.6 × 10¹⁶ 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.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— Mohu to spustit, pokud se to nevejde do mé GPU?

Pouze přenosem, což je obvykle falešná ekonomika: část držená v paměti systému zpomaluje celé to. Každá postava zde předpokládá, že celý model je umístěn na kartě.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 818. Takže druhá karta je tu zřídka odpovědí.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— proč se kvantizace liší mezi kartami?

Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— 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: 451,765–1,204,706 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi Q8_0 používající přibližně 0.7 GB, a produkuje přibližně 8,192 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

MatterSim (M3GNet - MatterSim-v1.0.0-5M)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 752,941 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 818.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 11 February 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