ESM1-670M (UR50/S) TPS kalkulátor

Otevřít váhy Facebook AI Research,New York University (NYU) 669.2M parametry August 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 · 55.1 tok/s

Nejrychlejší karta

B200

5,063 tok/s · 180 GB

Které GPU mohou spustit ESM1-670M (UR50/S)?

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
5,063 tok/s

3,038–8,101 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.4 GB Q8_0 Pohodlný
5,063 tok/s

3,038–8,101 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.4 GB Q8_0 Pohodlný
4,043 tok/s

2,426–6,469 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Pohodlný
4,043 tok/s

2,426–6,469 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Pohodlný
3,233 tok/s

1,940–5,173 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
3,095 tok/s

1,857–4,952 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Pohodlný
3,095 tok/s

1,857–4,952 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Pohodlný
2,962 tok/s

1,777–4,739 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.4 GB Q8_0 Pohodlný
2,629 tok/s

1,577–4,206 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,629 tok/s

1,577–4,206 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,629 tok/s

1,577–4,206 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Pohodlný
2,494 tok/s

1,496–3,990 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,127 tok/s

1,276–3,402 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,127 tok/s

1,276–3,402 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.4 GB Q8_0 Pohodlný
2,127 tok/s

1,276–3,402 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,127 tok/s

1,276–3,402 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
2,127 tok/s

1,276–3,402 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Pohodlný
1,619 tok/s

972–2,591 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Pohodlný
1,619 tok/s

972–2,591 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Pohodlný
1,349 tok/s

810–2,159 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
1,321 tok/s

792–2,113 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.4 GB Q8_0 Pohodlný
1,291 tok/s

775–2,066 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.4 GB Q8_0 Pohodlný
1,291 tok/s

775–2,066 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.4 GB Q8_0 Pohodlný
1,291 tok/s

775–2,066 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.4 GB Q8_0 Pohodlný
1,291 tok/s

775–2,066 · 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)
Typ organizace
Industry,Academia
Země
United States of America, France
Publikováno
31 August 2020
Autoři
Alexander Rives, Joshua Meier, Tom Sercu, Siddharth Goyal, Zeming Lin, Jason Liu, Demi Guo, Myle Ott, C. Lawrence Zitnick, Jerry Ma, and Rob Fergus

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), Mutation prediction, Protein contact and distance prediction

Velikost

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

parametry
669.2M

See Table 1

Výcviková data
27,750,400,000 tokens
Epochy
4

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
4.4 × 10²⁰ FLOP

Information: 128 NVIDIA V100 GPUs [Pre-training details] 840k steps [See Table S2: Hyperparameters] 131,072 tokens per batch ["We trained with 131,072 tokens per batch (128 gpus x 1024 tokens)." - Pre-training details] Estimate: 840e3 updates * 3 * 131072 tokens/update * 2 * 669.2e6 parameters = 4.4e20 FLOP

Jak bylo ustanoveno
Operation counting

Tréninkový běh

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

Tréninkový hardware
NVIDIA V100
Používané čipy
128
Příkon
78.2 kW
Náklady na výpočet
$967

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: 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.

Proč je to sledováno
Highly cited,SOTA improvement

Table 4, Table 6 "We apply the representations to a range of prediction tasks and find that they improve state-of-art features across the applications." "We use the 34-layer Transformer trained on UR50/S.Fig. 7 shows the fine-tuned Transformer exceeds the performanceof Envision on 10 of the 12 proteins"

Záznam důvěry
Confident
Citace
2,637

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences
Nap poslední aktualizace
11 February 2026

Extrémy

Deset nejrychlejších GPU, které běží ESM1-670M (UR50/S)

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 5,063 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 5,063 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,043 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,043 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,233 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,095 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,095 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 2,962 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,629 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,629 tok/s

Nejmenší GPU, které ještě běží ESM1-670M (UR50/S)

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 60.8 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 60.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 81.0 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 122 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 21.6 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 63.2 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 71.1 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 63.2 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 51.0 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 1.4 GB · Q8_0 · Pohodlný 52.7 tok/s

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

1.4 GB

Nejrychlejší

5,063 tok/s

ESM1-670M (UR50/S) dosahuje počtu parametrů 669.2M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 55.1 tokenů za sekundu

Špičkový model je B200, generování přibližně 5,063 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

ESM1-670M (UR50/S) byl zveřejněn Facebook AI Research,New York University (NYU), v zemi zaznamenané jako United States of America, během August 2020. Vychází z organizace, která je kategorizována jako industry,Academia.

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

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 142.2 tokens za sekundu. Překračující rychlost čtení rovnou: 809 z nich

Každá váha se účastní každého tokenu zde, takže šířka pásma je celá historie: hodnocení níže je ve skutečnosti hodnocením propustnosti paměti.

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 4.4 × 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 27,750,400,000 tokeny textu

Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited,SOTA improvement.

Krok za krokem

Jak vybrat GPU pro ESM1-670M (UR50/S)

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

  1. 01

    Zkontrolujte, co to potřebuje před čímkoli jiným.

    Začněte od toho, co skutečně potřebuje, což je požadavek na ESM1-670M (UR50/S), potřebující kolem 1.4 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  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. ESM1-670M (UR50/S).

  3. 03

    Rozhodněte, jaké množství komprese přijmete

    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

    Třídit podle rychlosti

    Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro ESM1-670M (UR50/S). Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 5,063 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

    Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě ESM1-670M (UR50/S). 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. ESM1-670M (UR50/S).

Odpovědi

ESM1-670M (UR50/S) — běžné otázky

01

ESM1-670M (UR50/S)— 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 715 tokenů za sekundu. Fit je pohodlný.

02

ESM1-670M (UR50/S)— 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 848 tokenů za sekundu. Fit je pohodlný.

03

ESM1-670M (UR50/S)— 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.

04

ESM1-670M (UR50/S)— kolik má parametrů?

Má počet parametrů 669.2M. See 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.

05

ESM1-670M (UR50/S)— Kdo to vytvořil?

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

06

ESM1-670M (UR50/S)— Kdy byl vydán?

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

07

ESM1-670M (UR50/S)— K čemu se to používá?

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

08

ESM1-670M (UR50/S)— 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.

09

ESM1-670M (UR50/S)— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 4.4 × 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.

10

ESM1-670M (UR50/S)— 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.

11

ESM1-670M (UR50/S)— 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.

12

ESM1-670M (UR50/S)— 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.

13

ESM1-670M (UR50/S)— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 3,038–8,101 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

14

ESM1-670M (UR50/S)— 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 55.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

15

ESM1-670M (UR50/S)— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 5,063 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.

16

ESM1-670M (UR50/S)— 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.

17

ESM1-670M (UR50/S)— 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 943 tokenů za sekundu. Fit je pohodlný.

18

ESM1-670M (UR50/S)— 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 577 tokenů za sekundu. Fit je pohodlný.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 11 February 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