ESM1v TPS kalkulátor

Otevřít váhy Facebook AI Research,New York University (NYU),University of California (UC) Berkeley 650M parametry November 2021

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 · 56.7 tok/s

Nejrychlejší karta

B200

5,213 tok/s · 180 GB

Které GPU mohou spustit ESM1v?

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
5,213 tok/s

3,128–8,340 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.4 GB Q8_0 Pohodlný
5,213 tok/s

3,128–8,340 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.4 GB Q8_0 Pohodlný
4,162 tok/s

2,497–6,660 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Pohodlný
4,162 tok/s

2,497–6,660 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Pohodlný
3,329 tok/s

1,997–5,326 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
3,186 tok/s

1,912–5,098 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Pohodlný
3,186 tok/s

1,912–5,098 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Pohodlný
3,049 tok/s

1,830–4,879 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.4 GB Q8_0 Pohodlný
2,706 tok/s

1,624–4,330 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,706 tok/s

1,624–4,330 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,706 tok/s

1,624–4,330 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,567 tok/s

1,540–4,108 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,189 tok/s

1,314–3,503 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,189 tok/s

1,314–3,503 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.4 GB Q8_0 Pohodlný
2,189 tok/s

1,314–3,503 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,189 tok/s

1,314–3,503 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,189 tok/s

1,314–3,503 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
1,667 tok/s

1,000–2,667 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Pohodlný
1,667 tok/s

1,000–2,667 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Pohodlný
1,389 tok/s

834–2,223 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
1,360 tok/s

816–2,175 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
1,329 tok/s

798–2,127 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.4 GB Q8_0 Pohodlný
1,329 tok/s

798–2,127 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.4 GB Q8_0 Pohodlný
1,329 tok/s

798–2,127 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.4 GB Q8_0 Pohodlný
1,329 tok/s

798–2,127 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.4 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
Facebook AI Research,New York University (NYU),University of California (UC) Berkeley
Typ organizace
Industry,Academia,Academia
Země
United States of America, France
Publikováno
17 November 2021
Autoři
Joshua Meier, Roshan Rao, Robert Verkuil, Jason Liu, Tom Sercu, 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 pathogenicity prediction

Velikost

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

parametry
650M

"We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects"

Výcviková data
22,050,000,000 tokens

"We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects, on 98 million diverse protein sequences across evolution"

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
1.4 × 10²⁰ FLOP

"ESM-1v models are pre-trained for 6 days on 64 V100 GPUs" [F - Compute costs] Assuming V100 PCIe single precision 14 TFLOPS and 0.3 utilization rate Estimate: (6*24*3600) s * 14e12 FLOP/s * 0.3 *64 = 1.4e20 FLOPs Alternative estimate based on Figure 7: 10^(7.5) GPU-seconds * 14e12 FLOP/s * 0.3 = 1.3e20 FLOPs Mean: 1.35e20 FLOP

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
64
Příkon
38.7 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)
Tréninkový kód
Unreleased

MIT for code/weights. Uniref data has commercial license https://github.com/facebookresearch/esm

Jak je to klasifikováno

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

Záznam důvěry
Confident
Citace
713

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Language models enable zero-shot prediction of the effects of mutations on protein function
Nap poslední aktualizace
1 January 2026

Extrémy

Deset nejrychlejších GPU, které běží ESM1v

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 5,213 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 5,213 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,162 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,162 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,329 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,186 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,186 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,049 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,706 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,706 tok/s

Nejmenší GPU, které ještě běží ESM1v

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 1.4 GB · Q8_0 · Pohodlný 62.6 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 62.6 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 83.4 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 125 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 22.2 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 65.1 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 73.2 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 65.1 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 52.5 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 54.2 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

1.4 GB

Nejrychlejší

5,213 tok/s

ESM1v dosahuje počtu parametrů 650M. 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 56.7 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 5,213 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

ESM1v byl zveřejněn Facebook AI Research,New York University (NYU),University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během November 2021. Vydavatelská organizace je kategorizována jako industry,Academia,Academia.

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

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

Jak rychle to běží a proč

Mediánový výsledek je kolem 146.4 tokenů za sekundu 809 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.

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.

Jak bylo trénováno

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.4 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 22,050,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro ESM1v

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 ESM1v, potřebující kolem 1.4 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  2. 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 ESM1v.

  3. 03

    Nastavte minimální kvalitu

    Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., 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

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro ESM1v. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 5,213 tok/s

  5. 05

    Přečtěte si poslední sloupec fit

    Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě ESM1v. 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

    Zkontrolujte kartu z druhé strany

    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. ESM1v.

Odpovědi

ESM1v — běžné otázky

01

ESM1v— 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 1.4 GB a generováním zhruba 873 tokenů za sekundu. Fit je pohodlný.

02

ESM1v— 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.

03

ESM1v— kolik má parametrů?

Má počet parametrů 650M. "We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

04

ESM1v— Kdo to vytvořil?

Bylo to publikováno společností Facebook AI Research,New York University (NYU),University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia.

05

ESM1v— Kdy byl vydán?

Bylo to zveřejněno v November 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

06

ESM1v— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein or nucleotide language model (pLM/nLM), Protein pathogenicity prediction. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

07

ESM1v— 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.

08

ESM1v— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.4 × 10²⁰ 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.

09

ESM1v— 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.

10

ESM1v— 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.

11

ESM1v— proč se kvantizace liší mezi kartami?

Protože se kapacita liší, liší se i to, jak moc musí být stlačena. Počet odlišných úrovní v tabulce výše: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

12

ESM1v— Jak přesné jsou tyto odhady rychlosti?

Toto jsou odhady s reálnými chybami a kterýkoli z nich může rozumně spadnout kamkoli v jeho publikovaném rozmezí v závislosti na tom, který run AI model použijete. Nejrychlejší výsledek zde: 3,128–8,340 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

13

ESM1v— 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 1.4 GB, a produkuje přibližně 56.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

14

ESM1v— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 5,213 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 809.

15

ESM1v— kolik VRAM potřebuje?

Potřebuje asi 1.4 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.

16

ESM1v— 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 1.4 GB a generováním zhruba 971 tokenů za sekundu. Fit je pohodlný.

17

ESM1v— 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 1.4 GB a generováním zhruba 595 tokenů za sekundu. Fit je pohodlný.

18

ESM1v— 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 1.4 GB a generováním zhruba 736 tokenů za sekundu. Fit je pohodlný.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 1 January 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