Pangu-Weather TPS kalkulátor

Otevřít váhy Huawei 256M parametry July 2023

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 · 144 tok/s

Nejrychlejší karta

B200

13,235 tok/s · 180 GB

Které GPU mohou spustit Pangu-Weather?

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.

818 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
13,235 tok/s

7,941–21,176 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.0 GB Q8_0 Pohodlný
13,235 tok/s

7,941–21,176 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.0 GB Q8_0 Pohodlný
10,569 tok/s

6,341–16,910 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Pohodlný
10,569 tok/s

6,341–16,910 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Pohodlný
8,452 tok/s

5,071–13,524 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.0 GB Q8_0 Pohodlný
8,090 tok/s

4,854–12,944 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Pohodlný
8,090 tok/s

4,854–12,944 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Pohodlný
7,743 tok/s

4,646–12,388 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.0 GB Q8_0 Pohodlný
6,872 tok/s

4,123–10,995 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Pohodlný
6,872 tok/s

4,123–10,995 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Pohodlný
6,872 tok/s

4,123–10,995 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Pohodlný
6,518 tok/s

3,911–10,429 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.0 GB Q8_0 Pohodlný
5,559 tok/s

3,335–8,894 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Pohodlný
5,559 tok/s

3,335–8,894 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.0 GB Q8_0 Pohodlný
5,559 tok/s

3,335–8,894 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Pohodlný
5,559 tok/s

3,335–8,894 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Pohodlný
5,559 tok/s

3,335–8,894 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Pohodlný
4,233 tok/s

2,540–6,772 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Pohodlný
4,233 tok/s

2,540–6,772 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Pohodlný
3,527 tok/s

2,116–5,644 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.0 GB Q8_0 Pohodlný
3,452 tok/s

2,071–5,523 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.0 GB Q8_0 Pohodlný
3,375 tok/s

2,025–5,400 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.0 GB Q8_0 Pohodlný
3,375 tok/s

2,025–5,400 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.0 GB Q8_0 Pohodlný
3,375 tok/s

2,025–5,400 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.0 GB Q8_0 Pohodlný
3,375 tok/s

2,025–5,400 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.0 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
Huawei
Typ organizace
Industry
Země
China
Publikováno
5 July 2023
Autoři
Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, Qi Tian

Co to dělá

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

Doména
Earth science
Úkol
Weather forecasting

Velikost

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

parametry
256M

4*64 million = 256M params "We trained four deep networks with lead times (the time difference between input and output) at 1 h, 3 h, 6 h and 24 h, respectively... This modification increases the number of bias parameters by a factor of 527, with each 3D deep network containing approximately 64 million parameters."

Výcviková data
24,457,821,696,000 tokens

"We used a single point in time for both input and output. The time resolution of the ERA5 data is 1 h; in the training subset (1979–2017), there were as many as 341,880 time points, the amount of training data in one epoch... We fed all included weather variables, including 13 layers of upper-air variables and the surface variables" 341,880 is the number of hours in ~40 years. But there's lots of data for each hour.

Epochy
100

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
4 × 10²² FLOP

"Each of the four deep networks was trained for 100 epochs, and each of them takes approximately 16 days on a cluster of 192 NVIDIA Tesla-V100 GPUs." 192 * 4 * 16 * 24 * 3600 * 125 teraflops * 0.3 utilization = 3.98e22

Jak bylo ustanoveno
Hardware

Tréninkový běh

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

Tréninkový hardware
NVIDIA V100
Používané čipy
192
Doba reálného času
1,536 hours (64 days)

4*16 = 64 days "Each of the four deep networks was trained for 100 epochs, andeach of them takes approximately 16 days on a cluster of 192 NVIDIA Tesla-V100 GPUs."

Příkon
114.6 kW
Náklady na výpočet
$51,279

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 (non-commercial)
Tréninkový kód
Unreleased

Models and code here: https://github.com/198808xc/Pangu-Weather Commercial use forbidden

Jak je to klasifikováno

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

Proč je to sledováno
SOTA improvement

"In meteorology, the Pangu Meteorology Model (or Pangu-Weather) is the first AI model to have surpassed state-of-the-art numerical weather prediction (NWP) methods in terms of accuracy. The prediction speed is also several orders of magnitude faster. In the past, predicting the trajectory of a typhoon over 10 days took 4 to 5 hours of simulation on a high-performance cluster of 3,000 servers. Now, the Pangu model can do it in 10 seconds on a single GPU of a single server, and with more accurate …

Záznam důvěry
Confident
Citace
197

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Accurate medium-range global weather forecasting with 3D neural networks
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Pangu-Weather

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 13,235 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 13,235 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 10,569 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 10,569 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 8,452 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 8,090 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 8,090 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 7,743 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 6,872 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 6,872 tok/s

Nejmenší GPU, které ještě běží Pangu-Weather

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

  1. 01 GeForce RTX 4010 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 159 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 159 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 212 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 318 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 56.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 165 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 186 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 165 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 133 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.0 GB · Q8_0 · Pohodlný 138 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

1.0 GB

Nejrychlejší

13,235 tok/s

Pangu-Weather dosahuje počtu parametrů 256M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Vstupní bod je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 144 tokenů za sekundu

Špičkový model je B200, generování přibližně 13,235 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

Pangu-Weather byl zveřejněn Huawei, v zemi zaznamenané jako China, během July 2023. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Earth science, a je zaznamenán jako vykonávající úkol weather forecasting.

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

Čtení čísel propustnosti

Mediánový výsledek je kolem 371.7 tokenů za sekundu 818 z nich

Je to hustý model, takže každý parametr je čten pro každý token vyprodukovaný. To dělá rychlost téměř přesně sledovat paměťovou šířku pásma — karta s dvojnásobnou šířkou pásma generuje přibližně dvojnásobně rychle.

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.

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 4 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Bylo to trénováno na korpusu asi 24,457,821,696,000 tokeny textu

Jeho kritérium zahrnutí: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro Pangu-Weather

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

  1. 01

    Přečtěte si nejprve číslo paměti

    Začněte od toho, co skutečně potřebuje, což je požadavek na Pangu-Weather, potřebující kolem 1.0 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.

  2. 02

    Rozhodněte, jak dlouho vaše konverzace běží

    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. Pangu-Weather.

  3. 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.

  4. 04

    Srovnejte TPS, ne specifikace

    Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Pangu-Weather. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 13,235 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 Pangu-Weather. 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

    Podívejte se, co dalšího ta karta spouští

    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. Pangu-Weather.

Odpovědi

Pangu-Weather — běžné otázky

01

Pangu-Weather— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 7,941–21,176 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

02

Pangu-Weather— 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 1.0 GB, a produkuje přibližně 144 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

03

Pangu-Weather— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 13,235 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.

04

Pangu-Weather— kolik VRAM potřebuje?

Potřebuje asi 1.0 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.

05

Pangu-Weather— 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 1.0 GB a generováním zhruba 2,465 tokenů za sekundu. Fit je pohodlný.

06

Pangu-Weather— 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 1.0 GB a generováním zhruba 1,509 tokenů za sekundu. Fit je pohodlný.

07

Pangu-Weather— 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 1.0 GB a generováním zhruba 1,869 tokenů za sekundu. Fit je pohodlný.

08

Pangu-Weather— 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 1.0 GB a generováním zhruba 2,217 tokenů za sekundu. Fit je pohodlný.

09

Pangu-Weather— 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.

10

Pangu-Weather— kolik má parametrů?

Má počet parametrů 256M. 4*64 million = 256M params "We trained four deep networks with lead times (the time difference between input and output) at 1 h, 3 h, 6 h and 24 h, respectively... This modification increases the number of bias parameters by a factor of 527, with each 3D deep network containing approximately 64 million parameters.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

11

Pangu-Weather— Kdo to vytvořil?

Bylo to publikováno společností Huawei, zakládající se na China, organizace zařazená jako industry.

12

Pangu-Weather— Kdy byl vydán?

Bylo to zveřejněno v July 2023. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

13

Pangu-Weather— K čemu se to používá?

funguje v oblasti Earth science, a je zaznamenáno jako zpracovávající úkol weather forecasting. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

14

Pangu-Weather— 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.

15

Pangu-Weather— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 4 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA V100. 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.

16

Pangu-Weather— 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. Každá postava zde předpokládá, že celý model je umístěn na kartě.

17

Pangu-Weather— Běhalo by to rychleji na dvou GPU?

Dvě karty koupit paměť spíše než rychlost, což záleží pouze pokud jedna karta to nemůže udržet. Číslo, které může: 818. Takže druhá karta je tu zřídka odpovědí.

18

Pangu-Weather— 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.

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