Ankh_large TPS kalkulátor

Otevřít váhy Technical University of Munich,Columbia University 1.9B parametry January 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 · 19.4 tok/s

Nejrychlejší karta

B200

1,783 tok/s · 180 GB

Které GPU mohou spustit Ankh_large?

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
1,783 tok/s 1,070–2,853 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.7 GB	Q8_0	Pohodlný
1,783 tok/s 1,070–2,853 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.7 GB	Q8_0	Pohodlný
1,424 tok/s 854–2,278 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Pohodlný
1,424 tok/s 854–2,278 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Pohodlný
1,139 tok/s 683–1,822 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
1,090 tok/s 654–1,744 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Pohodlný
1,090 tok/s 654–1,744 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Pohodlný
1,043 tok/s 626–1,669 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.7 GB	Q8_0	Pohodlný
926 tok/s 556–1,481 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
926 tok/s 556–1,481 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
926 tok/s 556–1,481 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Pohodlný
878 tok/s 527–1,405 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
749 tok/s 449–1,198 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
749 tok/s 449–1,198 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.7 GB	Q8_0	Pohodlný
749 tok/s 449–1,198 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
749 tok/s 449–1,198 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
749 tok/s 449–1,198 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Pohodlný
570 tok/s 342–912 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Pohodlný
570 tok/s 342–912 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Pohodlný
475 tok/s 285–760 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
465 tok/s 279–744 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.7 GB	Q8_0	Pohodlný
455 tok/s 273–728 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.7 GB	Q8_0	Pohodlný
455 tok/s 273–728 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.7 GB	Q8_0	Pohodlný
455 tok/s 273–728 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.7 GB	Q8_0	Pohodlný
455 tok/s 273–728 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.7 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: Technical University of Munich,Columbia University
Typ organizace: Academia,Academia
Země: Germany, United States of America
Publikováno: 16 January 2023
Autoři: Ahmed Elnaggar, Hazem Essam, Wafaa Salah-Eldin, Walid Moustafa, Mohamed Elkerdawy, Charlotte Rochereau, Burkhard Rost

Co to dělá

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

Doména: Biology
Úkol: Protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification

Velikost

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

parametry: 1.9B
Výcviková data: 14,000,000,000 tokens
Epochy: 68
Velikost dávky: 524,288

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: 6.5 × 10²¹ FLOP
Jak bylo ustanoveno: Operation counting,Third-party estimation

Tréninkový běh

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

Tréninkový hardware: Google TPU v4
Používané čipy: 64
Příkon: 43.5 kW
Náklady na výpočet: $4,802

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
Hugging Face: ElnaggarLab

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
Záznam důvěry: Confident
Citace: 159

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Ankh: Optimized Protein Language Model Unlocks General-Purpose Modelling
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Ankh_large

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 Ankh_large

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

2.7 GB

Nejrychlejší

1,783 tok/s

Ankh_large dosahuje počtu parametrů 1.9B. 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 19.4 tokenů za sekundu

Špičkový model je B200, generování přibližně 1,783 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

Ankh_large byl zveřejněn Technical University of Munich,Columbia University, v zemi zaznamenané jako Germany, během January 2023. Vydavatelská organizace je kategorizována jako academia,Academia.

funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu. Na Hugging Face je publikováno pod organizací ElnaggarLab.

Jak rychle to běží a proč

Polovina karet, které to drží, zvládne více než 50.1 tokenů za sekundu. Producing text faster than most people read it: 789 z nich

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

Jeho vnitřní architektura není v evidenci, takže paměť je přibližně odhadnuta z počtu parametrů a označena odpovídajícím způsobem. Očekávejte, že skutečná čísla se budou lišit, zejména u dlouhého kontextu.

Trénink a původ

Trenovací běh spotřeboval asi 6.5 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v4. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Bylo to trénováno na korpusu asi 14,000,000,000 tokeny textu

Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.

Krok za krokem

Jak vybrat GPU pro Ankh_large

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

Tabulka uvádí každou kartu, která je schopna pojmout Ankh_large, potřebující kolem 2.7 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.
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. Ankh_large.
03

Vyberte, jak moc to budete komprimovat.

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

Třídit podle rychlosti

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Ankh_large. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,783 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě Ankh_large. 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

Zkontrolujte kartu z druhé strany

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Ankh_large.

Odpovědi

Ankh_large — běžné otázky

Ankh_large— 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 2.7 GB a generováním zhruba 299 tokenů za sekundu. Fit je pohodlný.

Ankh_large— 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.

Ankh_large— kolik má parametrů?

Má počet parametrů 1.9B. Figure 1 indicates 1.15B parameters, but both the huggingface model and a replication (https://huggingface.co/ElnaggarLab/ankh-large and https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1.full.pdf) indicate 1.9B parameters. Notebook for counting params: https://colab.research.google.com/drive/1EGI5_vDl4pOBUukJexMHQR16BFKJe4a5?usp=sharing. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Ankh_large— Kdo to vytvořil?

Bylo to publikováno společností Technical University of Munich,Columbia University, zakládající se na Germany, organizace zařazená jako academia,Academia.

Ankh_large— Kdy byl vydán?

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

Ankh_large— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Ankh_large— kde si to mohu stáhnout?

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

Ankh_large— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 6.5 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v4. 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.

Ankh_large— 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.

Ankh_large— Běhalo by to rychleji na dvou GPU?

Druhá karta přibližně zdvojnásobí dostupnou paměť, ale ne rychlost generování. Počet, který je již schopen ji spustit sám: 818. Takže druhá karta je tu zřídka odpovědí.

Ankh_large— 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.

Ankh_large— 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: 1,070–2,853 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Ankh_large— 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 2.7 GB, a produkuje přibližně 19.4 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Ankh_large— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,783 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 789.

Ankh_large— kolik VRAM potřebuje?

Potřebuje asi 2.7 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.

Ankh_large— 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 2.7 GB a generováním zhruba 332 tokenů za sekundu. Fit je pohodlný.

Ankh_large— 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 2.7 GB a generováním zhruba 203 tokenů za sekundu. Fit je pohodlný.

Ankh_large— 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 2.7 GB a generováním zhruba 252 tokenů za sekundu. Fit je pohodlný.

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