AlphaFold 2 TPS kalkulátor

Otevřít váhy DeepMind 93M parametry November 2020

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 · 396 tok/s

Nejrychlejší karta

B200

36,433 tok/s · 180 GB

Které GPU mohou spustit AlphaFold 2?

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
36,433 tok/s

21,860–58,292 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Pohodlný
36,433 tok/s

21,860–58,292 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Pohodlný
29,092 tok/s

17,455–46,548 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Pohodlný
29,092 tok/s

17,455–46,548 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Pohodlný
23,267 tok/s

13,960–37,227 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
22,269 tok/s

13,362–35,631 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Pohodlný
22,269 tok/s

13,362–35,631 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Pohodlný
21,313 tok/s

12,788–34,101 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Pohodlný
18,915 tok/s

11,349–30,265 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
18,915 tok/s

11,349–30,265 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
18,915 tok/s

11,349–30,265 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
17,943 tok/s

10,766–28,709 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
15,302 tok/s

9,181–24,483 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
15,302 tok/s

9,181–24,483 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Pohodlný
15,302 tok/s

9,181–24,483 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
15,302 tok/s

9,181–24,483 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
15,302 tok/s

9,181–24,483 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
11,651 tok/s

6,991–18,642 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Pohodlný
11,651 tok/s

6,991–18,642 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Pohodlný
9,709 tok/s

5,826–15,535 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
9,502 tok/s

5,701–15,203 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
9,290 tok/s

5,574–14,865 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Pohodlný
9,290 tok/s

5,574–14,865 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Pohodlný
9,290 tok/s

5,574–14,865 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Pohodlný
9,290 tok/s

5,574–14,865 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 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
DeepMind
Typ organizace
Industry
Země
United Kingdom of Great Britain and Northern Ireland
Publikováno
30 November 2020
Autoři
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, Davi…

Co to dělá

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

Doména
Biology
Úkol
Protein folding prediction, Proteins
Číselný formát
BF16

Velikost

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

parametry
93M

https://arxiv.org/abs/2207.05477 reimplements AlphaFold 2 in a more efficient way, and states there are 93M parameters in the original version (Table 1)

Výcviková data
5,724,000,000 tokens

3 different types of input data to the network: (1) Amino acid sequence (2) Multiple sequence alignments (MSA) to sequences from evolutionarily related proteins (3) Template structures (3D atom coordinates of homologous structures), where available Training data is processed into the following two datasets that are sampled with different probabilities. Supplementary Material, Section 1.2.4. Training data: "With 75% probability a training example comes from the self-distillation set (see subsec…

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 × 10²¹ FLOP

123 teraFLOPS / TPU v3 chip * 128 cores * (1 chip / 2 cores) * 11 days * 40% utilization = 2.99e21 FLOP https://www.wolframalpha.com/input?i=123+teraFLOPS+*+128+*+11+days+*+0.4 "Training regimen" section: "We train the model on Tensor Processing Unit (TPU) v3 with a batch size of 1 per TPU core, hence the model uses 128 TPU v3 cores. [...] The initial training stage takes approximately 1 week, and the fine-tuning stage takes approximately 4 additional days."

Jak bylo ustanoveno
Hardware

Tréninkový běh

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

Tréninkový hardware
Google TPU v3
Doba reálného času
264 hours (11 days)

7 days pretrain and 4 days finetune

Náklady na výpočet
$3,842

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

While the AlphaFold code is licensed under the Apache 2.0 License, the AlphaFold parameters and CASP15 prediction data are made available under the terms of the CC BY 4.0 license code in this repo is inference code: https://github.com/google-deepmind/alphafold

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
Historical significance,Highly cited,SOTA improvement

"Here we provide the first computational method that can regularly predict protein structures with atomic accuracy even in cases in which no similar structure is known" [Abstract] >17790 citations "In the challenging 14th Critical Assessment of protein Structure Prediction (CASP14)15, demonstrating accuracy competitive with experimental structures in a majority of cases and greatly outperforming other methods."

Záznam důvěry
Likely
Citace
31,909

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Highly accurate protein structure prediction with AlphaFold
Nap poslední aktualizace
1 January 2026

Extrémy

Deset nejrychlejších GPU, které běží AlphaFold 2

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 36,433 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 36,433 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 29,092 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 23,267 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 22,269 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 21,313 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 18,915 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 18,915 tok/s

Nejmenší GPU, které ještě běží AlphaFold 2

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 0.8 GB · Q8_0 · Pohodlný 437 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 437 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 583 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 874 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 155 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 455 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 512 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 455 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 367 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 379 tok/s

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

0.8 GB

Nejrychlejší

36,433 tok/s

AlphaFold 2 dosahuje počtu parametrů 93M. 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 396 tokenů za sekundu

Špičkový model je B200, generování přibližně 36,433 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

AlphaFold 2 byl zveřejněn DeepMind, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během November 2020. Vydavatelská organizace je kategorizována jako industry.

funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein folding prediction, Proteins.

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto.

Porozumění rychlostem

Mediánový výsledek je kolem 1,023.0 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.

Paměť zde je odhadována podle velikosti, spíše než aby byla vypočtena z architektury, která není pro tento model zaznamenána — čísla jsou spíše indikativní než přesná.

Trénink a původ

Trénování si vyžádalo výpočetní rozpočet přibližně 3 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Tréninková sada běžela na přibližně 5,724,000,000 tokeny textu

Jeho kritérium zahrnutí: historical significance,Highly cited,SOTA improvement.

Krok za krokem

Jak vybrat GPU pro AlphaFold 2

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

    Tabulka uvádí každou kartu, která je schopna pojmout AlphaFold 2, potřebující kolem 0.8 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  2. 02

    Přizpůsobte kontext svému skutečnému použití

    Konverzace také zabírá MEMORY a roste, jak pokračuje. Nastavte posuvník na délku, kterou očekáváte, protože při dlouhém CONTEXT může být KARTA, která snadno zvládá krátké dotazy, odmítnuta. AlphaFold 2.

  3. 03

    Rozhodněte, jaké množství komprese přijmete

    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

    Hodnoťte podle propustnosti spíše než podle specifikace

    Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. AlphaFold 2. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 36,433 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

    Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě AlphaFold 2. 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

    Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě AlphaFold 2.

Odpovědi

AlphaFold 2 — běžné otázky

01

AlphaFold 2— 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.

02

AlphaFold 2— 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

AlphaFold 2— 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.

04

AlphaFold 2— 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: 21,860–58,292 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

AlphaFold 2— 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 0.8 GB, a produkuje přibližně 396 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

06

AlphaFold 2— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 36,433 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.

07

AlphaFold 2— kolik VRAM potřebuje?

Potřebuje asi 0.8 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

AlphaFold 2— 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 0.8 GB a generováním zhruba 6,786 tokenů za sekundu. Fit je pohodlný.

09

AlphaFold 2— 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 0.8 GB a generováním zhruba 4,155 tokenů za sekundu. Fit je pohodlný.

10

AlphaFold 2— 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 0.8 GB a generováním zhruba 5,146 tokenů za sekundu. Fit je pohodlný.

11

AlphaFold 2— 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 0.8 GB a generováním zhruba 6,102 tokenů za sekundu. Fit je pohodlný.

12

AlphaFold 2— 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

AlphaFold 2— kolik má parametrů?

Má počet parametrů 93M. https://arxiv.org/abs/2207.05477 reimplements AlphaFold 2 in a more efficient way, and states there are 93M parameters in the original version (Table 1). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

14

AlphaFold 2— Kdo to vytvořil?

Bylo to publikováno společností DeepMind, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako industry.

15

AlphaFold 2— Kdy byl vydán?

Bylo to zveřejněno v November 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

16

AlphaFold 2— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein folding prediction, Proteins. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

17

AlphaFold 2— 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

AlphaFold 2— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 3 × 10²¹ 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 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