UDSMProt TPS kalkulátor

Otevřít váhy Fraunhofer Heinrich Hertz Institute 28.3M parametry September 2019

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 · 1,302 tok/s

Nejrychlejší karta

B200

119,710 tok/s · 180 GB

Které GPU mohou spustit UDSMProt?

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
119,710 tok/s

71,826–191,535 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.7 GB Q8_0 Pohodlný
119,710 tok/s

71,826–191,535 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.7 GB Q8_0 Pohodlný
95,591 tok/s

57,355–152,946 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.7 GB Q8_0 Pohodlný
95,591 tok/s

57,355–152,946 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.7 GB Q8_0 Pohodlný
76,450 tok/s

45,870–122,319 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.7 GB Q8_0 Pohodlný
73,172 tok/s

43,903–117,076 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.7 GB Q8_0 Pohodlný
73,172 tok/s

43,903–117,076 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.7 GB Q8_0 Pohodlný
70,030 tok/s

42,018–112,048 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.7 GB Q8_0 Pohodlný
62,152 tok/s

37,291–99,443 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.7 GB Q8_0 Pohodlný
62,152 tok/s

37,291–99,443 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.7 GB Q8_0 Pohodlný
62,152 tok/s

37,291–99,443 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.7 GB Q8_0 Pohodlný
58,957 tok/s

35,374–94,331 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.7 GB Q8_0 Pohodlný
50,278 tok/s

30,167–80,445 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.7 GB Q8_0 Pohodlný
50,278 tok/s

30,167–80,445 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.7 GB Q8_0 Pohodlný
50,278 tok/s

30,167–80,445 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.7 GB Q8_0 Pohodlný
50,278 tok/s

30,167–80,445 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.7 GB Q8_0 Pohodlný
50,278 tok/s

30,167–80,445 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.7 GB Q8_0 Pohodlný
38,283 tok/s

22,970–61,253 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.7 GB Q8_0 Pohodlný
38,283 tok/s

22,970–61,253 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.7 GB Q8_0 Pohodlný
31,903 tok/s

19,142–51,044 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.7 GB Q8_0 Pohodlný
31,222 tok/s

18,733–49,955 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.7 GB Q8_0 Pohodlný
30,526 tok/s

18,316–48,842 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.7 GB Q8_0 Pohodlný
30,526 tok/s

18,316–48,842 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.7 GB Q8_0 Pohodlný
30,526 tok/s

18,316–48,842 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.7 GB Q8_0 Pohodlný
30,526 tok/s

18,316–48,842 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.7 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
Fraunhofer Heinrich Hertz Institute
Typ organizace
Research collective
Země
Germany
Publikováno
4 September 2019
Autoři
Nils Strodthoff, Patrick Wagner, Markus Wenzel, and Wojciech Samek

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), Enzyme function prediction
Přístup
Self-supervised learning

Velikost

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

parametry
28.3M

Python code: # Given LSTM parameters emb_sz = 400 # embedding size, typically equal to the input size for the first layer nh = 1150 # number of hidden units nl = 3 # number of layers # The formula for a single LSTM layer parameters is: # P = 4 * ((input_dim + hidden_dim) * hidden_dim + hidden_dim) # First layer parameters (input_dim is the embedding size) first_layer_params = 4 * ((emb_sz + nh) * nh + nh) # For subsequent layers, input_dim is equal to hidden_dim (nh) subsequent_…

Výcviková data
149,700,000 tokens

560K proteins

Epochy
30

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
6.4 × 10¹⁷ FLOP

Pretraining: Table 7 gives max of 499k sequences each at (seemingly) L=1024: 499k * 1024 * 28.3M * 6 = 8.7e16 Finetuning: Largest downstream task has 104940 sequences (Table 5), each sequence has L=1024 residues, 28.3M parameters, and 30 epochs. 105k * 1024 * 30 * 28.3 * 6 = 5.5e17.

Jak bylo ustanoveno
Operation counting

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
Open source

BSD license, models and code https://github.com/nstrodt/UDSMProt

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

"The proposed method performs on par with state-of-the-art algorithms that were tailored to these specific tasks or, for two out of three tasks, even outperforms them."

Záznam důvěry
Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
UDSMProt: Universal Deep Sequence Models for Protein Classification
Nap poslední aktualizace
28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží UDSMProt

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_0 119,710 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 119,710 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 95,591 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 95,591 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 76,450 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 73,172 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 73,172 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 70,030 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 62,152 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 62,152 tok/s

Nejmenší GPU, které ještě běží UDSMProt

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 0.7 GB · Q8_0 · Pohodlný 1,437 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,437 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,915 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 2,873 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 510 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,494 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,681 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,494 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,206 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 0.7 GB · Q8_0 · Pohodlný 1,245 tok/s

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

0.7 GB

Nejrychlejší

119,710 tok/s

UDSMProt dosahuje počtu parametrů 28.3M. 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 1,302 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 119,710 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

UDSMProt byl zveřejněn Fraunhofer Heinrich Hertz Institute, v zemi zaznamenané jako Germany, během September 2019. Vychází z organizace, která je kategorizována jako research collective.

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

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

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 3,361.4 tokens za sekundu. Překračující rychlost čtení rovnou: 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.

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.

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 6.4 × 10¹⁷ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 149,700,000 tokeny textu

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

Krok za krokem

Jak vybrat GPU pro UDSMProt

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.

    Tabulka uvádí každou kartu, která je schopna pojmout UDSMProt, potřebující kolem 0.7 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.

  2. 02

    Nastavte délku kontextu, se kterou budete pracovat

    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. UDSMProt.

  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

    Hodnoťte podle propustnosti spíše než podle specifikace

    Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro UDSMProt. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 119,710 tok/s

  5. 05

    Podívejte se na rezervu, ne jen na padnutí

    Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě UDSMProt. 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. UDSMProt.

Odpovědi

UDSMProt — běžné otázky

01

UDSMProt— 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 0.7 GB a generováním zhruba 20,051 tokenů za sekundu. Fit je pohodlný.

02

UDSMProt— 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

UDSMProt— kolik má parametrů?

Má počet parametrů 28.3M. Python code: # Given LSTM parameters emb_sz = 400 # embedding size, typically equal to the input size for the first layer nh = 1150 # number of hidden units nl = 3 # number of layers # The formula for a single LSTM layer parameters is: # P = 4 * ((input_dim + hidden_dim) * hidden_dim + hidden_dim) # First layer parameters (input_dim is the embedding size) first_layer_params = 4 * ((emb_sz + nh) * nh + nh) # For subsequent layers, input_dim is equal to hidden_dim (nh) subsequent_layer_params = 4 * ((nh + nh) * nh + nh) # Total parameters for all layers total_params = first_layer_params + (nl - 1) * subsequent_layer_params print(total_params). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

04

UDSMProt— Kdo to vytvořil?

Bylo to publikováno společností Fraunhofer Heinrich Hertz Institute, zakládající se na Germany, organizace zařazená jako research collective.

05

UDSMProt— Kdy byl vydán?

Bylo to zveřejněno v September 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

06

UDSMProt— K čemu se to používá?

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

07

UDSMProt— 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

UDSMProt— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 6.4 × 10¹⁷ FLOP. 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

UDSMProt— 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.

10

UDSMProt— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 818. Takže druhá karta je tu zřídka odpovědí.

11

UDSMProt— 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.

12

UDSMProt— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 71,826–191,535 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

UDSMProt— 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 0.7 GB, a produkuje přibližně 1,302 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

14

UDSMProt— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 119,710 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.

15

UDSMProt— kolik VRAM potřebuje?

Potřebuje asi 0.7 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

UDSMProt— 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 0.7 GB a generováním zhruba 22,296 tokenů za sekundu. Fit je pohodlný.

17

UDSMProt— 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 0.7 GB a generováním zhruba 13,653 tokenů za sekundu. Fit je pohodlný.

18

UDSMProt— 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 0.7 GB a generováním zhruba 16,909 tokenů za sekundu. Fit je pohodlný.

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