ESM2-15B TPS kalkulátor

Otevřít váhy Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT) 15B parametry July 2022

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

306 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

P102-101

10 GB · IQ4_XS · 18.9 tok/s

Nejrychlejší karta

B200

226 tok/s · 180 GB

Které GPU mohou spustit ESM2-15B?

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.

306 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
226 tok/s

136–361 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 16.8 GB Q8_0 Pohodlný
226 tok/s

136–361 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 16.8 GB Q8_0 Pohodlný
180 tok/s

108–289 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 16.8 GB Q8_0 Pohodlný
180 tok/s

108–289 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 16.8 GB Q8_0 Pohodlný
144 tok/s

87–231 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 16.8 GB Q8_0 Pohodlný
138 tok/s

83–221 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 16.8 GB Q8_0 Pohodlný
138 tok/s

83–221 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 16.8 GB Q8_0 Pohodlný
132 tok/s

79–211 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 16.8 GB Q8_0 Pohodlný
117 tok/s

70–188 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 16.8 GB Q8_0 Pohodlný
117 tok/s

70–188 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 16.8 GB Q8_0 Pohodlný
117 tok/s

70–188 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 16.8 GB Q8_0 Pohodlný
111 tok/s

67–178 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 16.8 GB Q8_0 Pohodlný
108 tok/s

65–173 · nízká důvěra

CMP 170HX 10 GB NVIDIA 10 GB 1,560 GB/s Sep 2021 8.9 GB IQ4_XS Těsný
94.9 tok/s

57–152 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 16.8 GB Q8_0 Pohodlný
94.9 tok/s

57–152 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 16.8 GB Q8_0 Pohodlný
94.9 tok/s

57–152 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 16.8 GB Q8_0 Pohodlný
94.9 tok/s

57–152 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 16.8 GB Q8_0 Pohodlný
94.9 tok/s

57–152 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 16.8 GB Q8_0 Pohodlný
72.2 tok/s

43–116 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 16.8 GB Q8_0 Pohodlný
72.2 tok/s

43–116 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 16.8 GB Q8_0 Pohodlný
60.2 tok/s

36–96 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 16.8 GB Q8_0 Pohodlný
59.5 tok/s

36–95 · nízká důvěra

GeForce RTX 3080 12 GB NVIDIA 12 GB 912 GB/s Jan 2022 9.8 GB Q4_K_M Těsný
59.5 tok/s

36–95 · nízká důvěra

GeForce RTX 3080 Ti NVIDIA 12 GB 912 GB/s May 2021 9.8 GB Q4_K_M Těsný
58.9 tok/s

35–94 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 16.8 GB Q8_0 Pohodlný
57.6 tok/s

35–92 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 16.8 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
Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT)
Typ organizace
Industry,Academia,Academia,Academia
Země
United States of America
Publikováno
21 July 2022
Autoři
Zeming Lin, Halil Akin, Roshan Rao, Brian Hie, Zhongkai Zhu, Wenting Lu, Nikita Smetanin, Robert Verkuil, Ori Kabeli, Yaniv Shmueli, Allan dos Santos Costa, Maryam Fazel-Zarandi, Tom Sercu, Salvatore Candido, Alexander Rives

Co to dělá

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

Doména
Biology
Úkol
Proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction
Přístup
Unsupervised

Velikost

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

parametry
15B

"we train models up to 15B parameters"

Výcviková data
15,360,000,000 tokens

Section A.1.1: "This allowed ESM-2 models to train on over 60M protein sequences." Average protein sequence is 200 tokens, per https://epoch.ai/blog/biological-sequence-models-in-the-context-of-the-ai-directives#fn:4 60M * 200 = 12B tokens Epochs: 15B model used 270k steps at 3.2M token batch size 270k * 3.2M / 12B = 72

Epochy
72

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
7.4 × 10²² FLOP

from xTrimoPGLM paper Table 9 (https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1): 5.1e22 FLOP from Arb Research (https://arbresearch.com/files/gen_bio.pdf): "ESM-2-15B: 270000 updates x 3.2M batch size x 15 B “connections” x 6. : 7.8e22 FLOP from the paper's Supplementary Materials: "We trained each model over 512 NVIDIA V100 GPUs. ESM2 700M took 8 days to train. The 3B parameter LM took 30 days. The 15B model took 60 days." 60 days x 512 V100s x an imputed 30% utilization": 1e23 F…

Jak bylo ustanoveno
Hardware,Third-party estimation

Tréninkový běh

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

Tréninkový hardware
NVIDIA V100
Používané čipy
512
Doba reálného času
1,440 hours (60 days)
Příkon
308.0 kW
Náklady na výpočet
$163,468

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
Unreleased

MIT weights, CC BY 4.0 data https://github.com/facebookresearch/esm?tab=readme-ov-file#available-esmssd may just be inference code in the repo^

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

Table S3 "The resulting ESM-2 model family significantly outperforms previously state-of-the-art ESM-1b (a ∼650 million parameter model) at a comparable number of parameters, and on structure prediction benchmarks it also outperforms other recent protein language models"

Záznam důvěry
Confident
Citace
636

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Evolutionary-scale prediction of atomic-level protein structure with a language model
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží ESM2-15B

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_0 226 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 226 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 180 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 180 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 144 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 138 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 138 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 132 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 117 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 117 tok/s

Nejmenší GPU, které ještě běží ESM2-15B

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

  1. 01 Arc B570 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 17.1 tok/s
  2. 02 Xbox Series X 6nm GPU 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 30.3 tok/s
  3. 03 Radeon RX 6750 GRE 10 GB 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 17.3 tok/s
  4. 04 CMP 170HX 10 GB 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 108 tok/s
  5. 05 CMP 90HX 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 52.7 tok/s
  6. 06 CMP 50HX 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 38.8 tok/s
  7. 07 Radeon RX 6700 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 17.3 tok/s
  8. 08 Radeon RX 6700M 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 17.3 tok/s
  9. 09 Xbox Series X GPU 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 30.3 tok/s
  10. 10 GeForce RTX 3080 10 GB · Potřebuje 8.9 GB · IQ4_XS · Těsný 52.7 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

P102-101

Potřeba paměti

8.9 GB

Nejrychlejší

226 tok/s

ESM2-15B dosahuje počtu parametrů 15B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 306.

Vstupní bod je P102-101, s kapacitou VRAM 10 GB, spuštění na kompresi IQ4_XS a vyrábějí kolem 18.9 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 226 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

ESM2-15B byl zveřejněn Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), v zemi zaznamenané jako United States of America, během July 2022. Vydavatelská organizace je kategorizována jako industry,Academia,Academia,Academia.

funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.

Co rozhoduje o rychlosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 21.1 tokenů za sekundu. Producing text faster than most people read it: 266 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.

Jak bylo trénováno

Trénování si vyžádalo výpočetní rozpočet přibližně 7.4 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 15,360,000,000 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro ESM2-15B

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

  1. 01

    Začněte od sloupce paměti

    Každá KARTA zde byla zkontrolována proti ESM2-15B, potřebující kolem 8.9 GB při kompresi IQ4_XS. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 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. ESM2-15B.

  3. 03

    Rozhodněte, jaké množství komprese přijmete

    Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese IQ4_XS 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. ESM2-15B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 226 tok/s

  5. 05

    Přečtěte si poslední sloupec fit

    Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě ESM2-15B. 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.

    Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě ESM2-15B.

Odpovědi

ESM2-15B — běžné otázky

01

ESM2-15B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.4 × 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.

02

ESM2-15B— 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. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 2.6 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

03

ESM2-15B— 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: 306. Takže druhá karta je tu zřídka odpovědí.

04

ESM2-15B— 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.

05

ESM2-15B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 136–361 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

06

ESM2-15B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je P102-101, s kapacitou VRAM 10 GB. Spouští model při kompresi IQ4_XS používající přibližně 8.9 GB, a produkuje přibližně 18.9 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 306.

07

ESM2-15B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 226 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 266.

08

ESM2-15B— kolik VRAM potřebuje?

Potřebuje asi 8.9 GB při kompresi IQ4_XS, 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.

09

ESM2-15B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q4_K_M, používající přibližně 9.8 GB a generováním zhruba 59.5 tokenů za sekundu. Fit je těsný.

10

ESM2-15B— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q6_K, používající přibližně 13.3 GB a generováním zhruba 46.4 tokenů za sekundu. Fit je těsný.

11

ESM2-15B— 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 16.8 GB a generováním zhruba 37.8 tokenů za sekundu. Fit je pohodlný.

12

ESM2-15B— 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.

13

ESM2-15B— kolik má parametrů?

Má počet parametrů 15B. "we train models up to 15B parameters". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

14

ESM2-15B— Kdo to vytvořil?

Bylo to publikováno společností Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia,Academia.

15

ESM2-15B— Kdy byl vydán?

Bylo to zveřejněno v July 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

16

ESM2-15B— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

17

ESM2-15B— 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.

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