Derm Foundational Model TPS kalkulátor

Otevřít váhy Google Research 928M parametry March 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 · 39.7 tok/s

Nejrychlejší karta

B200

3,651 tok/s · 180 GB

Které GPU mohou spustit Derm Foundational Model?

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
3,651 tok/s 2,191–5,842 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.7 GB	Q8_0	Pohodlný
3,651 tok/s 2,191–5,842 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.7 GB	Q8_0	Pohodlný
2,916 tok/s 1,749–4,665 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.7 GB	Q8_0	Pohodlný
2,916 tok/s 1,749–4,665 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.7 GB	Q8_0	Pohodlný
2,332 tok/s 1,399–3,731 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.7 GB	Q8_0	Pohodlný
2,232 tok/s 1,339–3,571 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.7 GB	Q8_0	Pohodlný
2,232 tok/s 1,339–3,571 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.7 GB	Q8_0	Pohodlný
2,136 tok/s 1,282–3,417 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.7 GB	Q8_0	Pohodlný
1,896 tok/s 1,137–3,033 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Pohodlný
1,896 tok/s 1,137–3,033 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Pohodlný
1,896 tok/s 1,137–3,033 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Pohodlný
1,798 tok/s 1,079–2,877 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.7 GB	Q8_0	Pohodlný
1,533 tok/s 920–2,454 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Pohodlný
1,533 tok/s 920–2,454 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.7 GB	Q8_0	Pohodlný
1,533 tok/s 920–2,454 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Pohodlný
1,533 tok/s 920–2,454 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Pohodlný
1,533 tok/s 920–2,454 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Pohodlný
1,168 tok/s 701–1,868 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.7 GB	Q8_0	Pohodlný
1,168 tok/s 701–1,868 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.7 GB	Q8_0	Pohodlný
973 tok/s 584–1,557 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.7 GB	Q8_0	Pohodlný
952 tok/s 571–1,524 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.7 GB	Q8_0	Pohodlný
931 tok/s 559–1,490 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.7 GB	Q8_0	Pohodlný
931 tok/s 559–1,490 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.7 GB	Q8_0	Pohodlný
931 tok/s 559–1,490 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.7 GB	Q8_0	Pohodlný
931 tok/s 559–1,490 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.7 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: Google Research
Typ organizace: Industry
Země: United States of America
Publikováno: 8 March 2024
Autoři: Dave Steiner, Rory Pilgrim

Co to dělá

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

Doména: Vision, Medicine
Úkol: Image embedding, Medical diagnosis, Cancer diagnosis, Image classification
Základní model: Big Transfer (BiT-M)

Velikost

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

parametry: 928M
Výcviková data: tokens

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 (restricted use)
Tréninkový kód: Open source
Hugging Face: google

Jak je to klasifikováno

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

Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Health-specific embedding tools for dermatology and pathology
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Derm Foundational Model

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 Derm Foundational Model

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

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Tesla C1080

Potřeba paměti

1.7 GB

Nejrychlejší

3,651 tok/s

Derm Foundational Model dosahuje počtu parametrů 928M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší hardware, který funguje, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 39.7 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 3,651 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

Derm Foundational Model byl zveřejněn Google Research, v zemi zaznamenané jako United States of America, během March 2024. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Vision, Medicine, a je zaznamenán jako vykonávající úkol image embedding, Medical diagnosis, Cancer diagnosis, Image classification.

Staví na Big Transfer (BiT-M). To je důvod, proč sdílí obecný tvar a velikost základního modelu.

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou. Na Hugging Face je publikováno pod organizací google.

Porozumění rychlostem

Polovina karet, které to drží, zvládne více než 102.5 tokens za sekundu. Překračující rychlost čtení rovnou: 806 z nich

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

Paměť zde je odhadována podle velikosti, spíše než aby byla vypočtena z architektury, která není pro tento model zaznamenána — čísla jsou spíše indikativní než přesná.

Krok za krokem

Jak vybrat GPU pro Derm Foundational Model

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

01

Začněte od sloupce paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na Derm Foundational Model, potřebující kolem 1.7 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Rozhodněte, jak dlouho vaše konverzace běží

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro Derm Foundational Model.
03

Nastavte minimální kvalitu

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., 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

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro Derm Foundational Model. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 3,651 tok/s
05

Přečtěte si poslední sloupec fit

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě Derm Foundational Model. 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

Otevřete kartu, na které jste se usadili.

Každý název karty odkazuje na její vlastní stránku, která provádí stejný výpočet v celém katalogu modelů. Karta se obvykle kupuje pro více než jeden model, takže se vyplatí se podívat před tím, než koupíte. Derm Foundational Model.

Odpovědi

Derm Foundational Model — běžné otázky

Derm Foundational Model— 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.

Derm Foundational Model— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Derm Foundational Model— 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: 2,191–5,842 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Derm Foundational Model— 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 1.7 GB, a produkuje přibližně 39.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Derm Foundational Model— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 3,651 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 806.

Derm Foundational Model— kolik VRAM potřebuje?

Potřebuje asi 1.7 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.

Derm Foundational Model— 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 1.7 GB a generováním zhruba 680 tokenů za sekundu. Fit je pohodlný.

Derm Foundational Model— 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 1.7 GB a generováním zhruba 416 tokenů za sekundu. Fit je pohodlný.

Derm Foundational Model— 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 1.7 GB a generováním zhruba 516 tokenů za sekundu. Fit je pohodlný.

Derm Foundational Model— 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 1.7 GB a generováním zhruba 612 tokenů za sekundu. Fit je pohodlný.

Derm Foundational Model— 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.

Derm Foundational Model— kolik má parametrů?

Má počet parametrů 928M. "The model is a BiT-M ResNet101x3" BiT-M has 928M parameters, I assume same here. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Derm Foundational Model— Kdo to vytvořil?

Bylo to publikováno společností Google Research, zakládající se na United States of America, organizace zařazená jako industry.

Derm Foundational Model— Kdy byl vydán?

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

Derm Foundational Model— K čemu se to používá?

funguje v oblasti Vision, Medicine, a je zaznamenáno jako zpracovávající úkol image embedding, Medical diagnosis, Cancer diagnosis, Image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Derm Foundational Model— kde si to mohu stáhnout?

Jeho váhy jsou publikovány na Hugging Face, pod organizací google. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.

Derm Foundational Model— Mohu to spustit, pokud se to nevejde do mé GPU?

Může být rozdělen mezi GPU kartu a systémovou paměť, ale v tomto případě se generuje bolestivě pomalu. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 28 November 2025

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