DMPFold TPS kalkulátor

Otevřít váhy University College London (UCL) 3.8M parametry November 2018

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 · 9,701 tok/s

Nejrychlejší karta

B200

891,641 tok/s · 180 GB

Které GPU mohou spustit DMPFold?

Nastavte vstupy, přečtěte si odpověď

Délka kontextu tokeny

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Minimální kvalita

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

Hledat karty

Paměť karty

Také zobrazit karty, které to nemohou spustit.

818 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
891,641 tok/s 534,985–1,426,625 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Pohodlný
891,641 tok/s 534,985–1,426,625 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Pohodlný
711,998 tok/s 427,199–1,139,196 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Pohodlný
711,998 tok/s 427,199–1,139,196 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Pohodlný
569,424 tok/s 341,654–911,079 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
545,015 tok/s 327,009–872,025 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Pohodlný
545,015 tok/s 327,009–872,025 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Pohodlný
521,610 tok/s 312,966–834,576 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Pohodlný
462,929 tok/s 277,757–740,686 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
462,929 tok/s 277,757–740,686 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
462,929 tok/s 277,757–740,686 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Pohodlný
439,133 tok/s 263,480–702,613 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
374,489 tok/s 224,694–599,183 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
374,489 tok/s 224,694–599,183 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Pohodlný
374,489 tok/s 224,694–599,183 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
374,489 tok/s 224,694–599,183 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
374,489 tok/s 224,694–599,183 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Pohodlný
285,147 tok/s 171,088–456,235 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Pohodlný
285,147 tok/s 171,088–456,235 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Pohodlný
237,622 tok/s 142,573–380,196 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
232,551 tok/s 139,531–372,082 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Pohodlný
227,368 tok/s 136,421–363,789 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Pohodlný
227,368 tok/s 136,421–363,789 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Pohodlný
227,368 tok/s 136,421–363,789 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Pohodlný
227,368 tok/s 136,421–363,789 · 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: University College London (UCL)
Typ organizace: Academia
Země: United Kingdom of Great Britain and Northern Ireland
Publikováno: 29 November 2018
Autoři: Joe G. Greener, Shaun M. Kandathil and David T. Jones

Co to dělá

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

Doména: Biology
Úkol: Proteins, Protein folding 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: 3.8M
Výcviková data: 1,516,215,024 tokens
Epochy: 75

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

Jak je to klasifikováno

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

Záznam důvěry: Likely
Citace: 174

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží DMPFold

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..

Nejmenší GPU, které ještě běží DMPFold

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

Co čísla znamenají

Co potřebujete k tomu, abyste to spustili

Minimum karta

Tesla C1080

Potřeba paměti

0.7 GB

Nejrychlejší

891,641 tok/s

DMPFold dosahuje počtu parametrů 3.8M. 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 9,701 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 891,641 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Odkud to přišlo

DMPFold byl zveřejněn University College London (UCL), v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během November 2018. Vydavatelská organizace je kategorizována jako academia.

funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol proteins, Protein folding prediction, Protein contact and distance prediction.

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

Porozumění rychlostem

Polovina karet, které to drží, zvládne více než 25,037.3 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

Bylo to trénováno na korpusu asi 1,516,215,024 tokeny textu

Krok za krokem

Jak vybrat GPU pro DMPFold

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

01

Zkontrolujte, co to potřebuje před čímkoli jiným.

Začněte od toho, co skutečně potřebuje, což je požadavek na DMPFold, potřebující kolem 0.7 GB při kompresi Q8_0. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
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 DMPFold.
03

Vyberte, jak moc to budete komprimovat.

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.
04

Hodnoťte podle propustnosti spíše než podle specifikace

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro DMPFold. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 891,641 tok/s
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 DMPFold. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.
06

Otevřete kartu, na které jste se usadili.

Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro DMPFold.

Odpovědi

DMPFold — běžné otázky

DMPFold— 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 149,350 tokenů za sekundu. Fit je pohodlný.

DMPFold— 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.

DMPFold— kolik má parametrů?

Má počet parametrů 3.8M. Based on Fig. 9: Distance predictor network: [Total = 17684] (1) Maxout2D: 0 parameters (2) ResBlock x 18: 2*64*18 = 16384 parameters (a shift and scale parameter for every InstanceNorm2D layer) (3) Conv2D 1x1: 64*20 + 20 = 1300 parameters (4) Softmax: 0 parameters Hydrogen bond predictor network: [Total = 3691073] (1) Maxout2D: 0 parameters (2) ResBlock x 18: (2*64*2 + 5*5*64*64*2)*18 = 3 691 008 parameters (3) Conv2D 1x1: 64*1 + 1 = 65 parameters (4) Sigmoid: 0 parameters Torsion angles and errors network [Total = 115459] (1) Maxout2D: 0 parameters (2) ResBlock x 18: 2*64*18 = 16384 parameters (a shift and scale parameter for every InstanceNorm2D layer) (3) BLSTM: 4×2×(N+M)×M where M is 128 (hidden units in BLSTM layer) and N is 64 (input dimensionality) = 98304 (4) Conv1D 1x1: 256*3 + 3 = 771 parameters Estimate total parameters = 3.8e6 parameters [See Section 'Additional constraint types and iterative predictions': "a bidirectional recurrent LSTM layer with 128 hidden units (BLSTM in Fig. 9c), which embeds each row of the final 2-D 64-channel feature map in a single 256-D vector (concatenation of 128-D final timestep output states of the forward and reverse direction LSTM passes)"]. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

DMPFold— Kdo to vytvořil?

Bylo to publikováno společností University College London (UCL), zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako academia.

DMPFold— Kdy byl vydán?

Bylo to zveřejněno v November 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

DMPFold— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein folding 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 534,985–1,426,625 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

DMPFold— 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 9,701 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

DMPFold— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 891,641 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.

DMPFold— 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.

DMPFold— 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 166,068 tokenů za sekundu. Fit je pohodlný.

DMPFold— 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 101,692 tokenů za sekundu. Fit je pohodlný.

DMPFold— 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 125,944 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