ProtBERT-BFD TPS kalkulátor

Otevřít váhy Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology 420M parametry May 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 · 87.8 tok/s

Nejrychlejší karta

B200

8,067 tok/s · 180 GB

Které GPU mohou spustit ProtBERT-BFD?

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
8,067 tok/s

4,840–12,908 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Pohodlný
8,067 tok/s

4,840–12,908 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Pohodlný
6,442 tok/s

3,865–10,307 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Pohodlný
6,442 tok/s

3,865–10,307 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Pohodlný
5,152 tok/s

3,091–8,243 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
4,931 tok/s

2,959–7,890 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Pohodlný
4,931 tok/s

2,959–7,890 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Pohodlný
4,719 tok/s

2,832–7,551 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Pohodlný
4,188 tok/s

2,513–6,701 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
4,188 tok/s

2,513–6,701 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
4,188 tok/s

2,513–6,701 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Pohodlný
3,973 tok/s

2,384–6,357 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Pohodlný
2,580 tok/s

1,548–4,128 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Pohodlný
2,580 tok/s

1,548–4,128 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Pohodlný
2,150 tok/s

1,290–3,440 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
2,104 tok/s

1,262–3,366 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Pohodlný
2,057 tok/s

1,234–3,291 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Pohodlný
2,057 tok/s

1,234–3,291 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Pohodlný
2,057 tok/s

1,234–3,291 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Pohodlný
2,057 tok/s

1,234–3,291 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology
Typ organizace
Academia,Industry,Academia,Industry,Government
Země
Germany, United States of America, Korea (Republic of), China
Publikováno
4 May 2021
Autoři
Ahmed Elnaggar, Michael Heinzinger, Christian Dallago, Ghalia Rehawi, Yu Wang, Llion Jones, Tom Gibbs, Tamas Feher, Christoph Angerer, Martin Steinegger, Debsindhu Bhowmik, Burkhard Rost

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)
Přístup
Self-supervised learning
Číselný formát
FP32

Velikost

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

parametry
420M

Table 2

Výcviková data
58,950,000,000 tokens

"ProtBERT-BFD (420M parameters) saw around 27B proteins during pre-training" Table 1: BFD has 2122M proteins, 393B amino acids, 572 GB Suggests average amino acid length of 185 Implies 27B * 185 = 5T amino acids seen in training However, Table 2 suggests number of tokens (amino acids) seen in training was: (512*32768*800k) + (2048*6144*200k) = 15.9T amino acids in training Geometric mean = 8.9T

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
3.9 × 10²² FLOP

FLOP = 420M * 6 * (800k*512*32k + 200k*2048*6k) 1M steps total split into two phases, (1) 800k steps, seq length 512 (batch size 32k) and (2) 200k steps, seq length 2048 (batch size 6k) single TPU Pod V3-1024 (64 nodes and 1024 TPUs) info from paper and https://huggingface.co/Rostlab/prot_bert_bfd

Jak bylo ustanoveno
Operation counting

Tréninkový běh

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

Tréninkový hardware
Google TPU v3
Používané čipy
1,024
Příkon
933.1 kW
Náklady na výpočet
$45,351

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

Licensed under the Academic Free License version 3.0 The ProtTrans project is a open source project supported by various partner companies and research institutions. We are committed to share all our pre-trained models and knowledge. https://github.com/agemagician/ProtTrans

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

"For the per-residue predictions the transfer of the most informative embeddings (ProtT5) for the first time outperformed the state-of-the-art without using evolutionary information thereby bypassing expensive database searches."

Záznam důvěry
Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
ProtTrans:Towards Cracking the Language of Life's Code Through Self-Supervised Learning
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží ProtBERT-BFD

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 8,067 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,152 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,719 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,188 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,188 tok/s

Nejmenší GPU, které ještě běží ProtBERT-BFD

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 1.1 GB · Q8_0 · Pohodlný 96.8 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 96.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 129 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 194 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 34.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 101 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 113 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 101 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 81.3 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.1 GB · Q8_0 · Pohodlný 83.9 tok/s

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Tesla C1080

Potřeba paměti

1.1 GB

Nejrychlejší

8,067 tok/s

ProtBERT-BFD dosahuje počtu parametrů 420M. 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 87.8 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 8,067 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

ProtBERT-BFD byl zveřejněn Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, v zemi zaznamenané jako Germany, během May 2021. Vychází z organizace, která je kategorizována jako academia,Industry,Academia,Industry,Government.

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

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.

Jak rychle to běží a proč

Polovina karet, které to drží, zvládne více než 226.5 tokenů za sekundu 817 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.

Co bylo zapotřebí k jeho vybudování

Trénování si vyžádalo výpočetní rozpočet přibližně 3.9 × 10²² FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 58,950,000,000 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro ProtBERT-BFD

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 ProtBERT-BFD, potřebující kolem 1.1 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 ProtBERT-BFD.

  3. 03

    Nastavte minimální kvalitu

    Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., 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 ProtBERT-BFD. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 8,067 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

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

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

Odpovědi

ProtBERT-BFD — běžné otázky

01

ProtBERT-BFD— Mohu to spustit, pokud se to nevejde do mé GPU?

Pouze přenosem, což je obvykle falešná ekonomika: část držená v paměti systému zpomaluje celé to. Každá postava zde předpokládá, že celý model je umístěn na kartě.

02

ProtBERT-BFD— 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.

03

ProtBERT-BFD— 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.

04

ProtBERT-BFD— 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: 4,840–12,908 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

05

ProtBERT-BFD— 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 1.1 GB, a produkuje přibližně 87.8 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

06

ProtBERT-BFD— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 8,067 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 817.

07

ProtBERT-BFD— kolik VRAM potřebuje?

Potřebuje asi 1.1 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.

08

ProtBERT-BFD— 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 1.1 GB a generováním zhruba 1,503 tokenů za sekundu. Fit je pohodlný.

09

ProtBERT-BFD— 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 1.1 GB a generováním zhruba 920 tokenů za sekundu. Fit je pohodlný.

10

ProtBERT-BFD— 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 1.1 GB a generováním zhruba 1,140 tokenů za sekundu. Fit je pohodlný.

11

ProtBERT-BFD— 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 1.1 GB a generováním zhruba 1,351 tokenů za sekundu. Fit je pohodlný.

12

ProtBERT-BFD— 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

ProtBERT-BFD— kolik má parametrů?

Má počet parametrů 420M. Table 2. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

14

ProtBERT-BFD— Kdo to vytvořil?

Bylo to publikováno společností Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, zakládající se na Germany, organizace zařazená jako academia,Industry,Academia,Industry,Government.

15

ProtBERT-BFD— Kdy byl vydán?

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

16

ProtBERT-BFD— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein or nucleotide language model (pLM/nLM). Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

17

ProtBERT-BFD— 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.

18

ProtBERT-BFD— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3.9 × 10²² FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.

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