MolmoAct 2 TPS kalkulátor

Otevřít váhy Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI 5.5B parametry April 2026

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 · Q3_K_M · 18.1 tok/s

Nejrychlejší karta

B200

618 tok/s · 180 GB

Které GPU mohou spustit MolmoAct 2?

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
618 tok/s 371–988 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	6.6 GB	Q8_0	Pohodlný
618 tok/s 371–988 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	6.6 GB	Q8_0	Pohodlný
493 tok/s 296–789 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Pohodlný
493 tok/s 296–789 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Pohodlný
394 tok/s 237–631 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	6.6 GB	Q8_0	Pohodlný
378 tok/s 227–604 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Pohodlný
378 tok/s 227–604 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Pohodlný
361 tok/s 217–578 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	6.6 GB	Q8_0	Pohodlný
321 tok/s 192–513 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Pohodlný
321 tok/s 192–513 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Pohodlný
321 tok/s 192–513 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Pohodlný
304 tok/s 183–487 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	6.6 GB	Q8_0	Pohodlný
259 tok/s 156–415 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Pohodlný
259 tok/s 156–415 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	6.6 GB	Q8_0	Pohodlný
259 tok/s 156–415 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Pohodlný
259 tok/s 156–415 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Pohodlný
259 tok/s 156–415 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Pohodlný
198 tok/s 119–316 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Pohodlný
198 tok/s 119–316 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Pohodlný
165 tok/s 99–263 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	6.6 GB	Q8_0	Pohodlný
161 tok/s 97–258 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	6.6 GB	Q8_0	Pohodlný
158 tok/s 95–252 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	6.6 GB	Q8_0	Pohodlný
158 tok/s 95–252 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	6.6 GB	Q8_0	Pohodlný
158 tok/s 95–252 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	6.6 GB	Q8_0	Pohodlný
158 tok/s 95–252 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	6.6 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: Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI
Typ organizace: Research collective,Academia,Academia,Academia,Academia,Industry,Industry
Země: United States of America, Singapore
Publikováno: 5 April 2026
Autoři: Haoquan Fang, Jiafei Duan, Donovan Clay, Sam Wang, Shuo Liu, Weikai Huang, Xiang Fan, Wei-Chuan Tsai, Shirui Chen, Yi Ru Wang, Shanli Xing, Jaemin Cho, Jae Sung Park, Ainaz Eftekhar, Peter Sushko, Karen Farley, Angad Wadhwa, Cole Harrison, Winson Han, Ying-Chun Lee, Eli VanderBilt, Rose Hendrix, Suveen Ellawela, Lucas Ngoo, Joyce Chai, Zhongzheng Ren, Ali Farhadi, Dieter Fox, Ranjay Krishna

Co to dělá

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

Doména: Vision, Language, Robotics
Úkol: Robotic manipulation

Velikost

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

parametry: 5.5B
Výcviková data: tokens

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: 1.1 × 10²² FLOP

Tréninkový běh

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

Tréninkový hardware: NVIDIA H100 SXM5 80GB
Používané čipy: 64
Doba reálného času: 2,304 hours (96 days)
Příkon: 87.2 kW
Cloudový poskytovatel: Cirrascale Cloud Services
Datové centrum: Ai2 Jupiter, Austin, Texas

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)
Hugging Face: allenai

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: Discretionary
Záznam důvěry: Likely

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: MolmoAct2: Action Reasoning Models for Real-world Deployment
Nap poslední aktualizace: 30 July 2026

Extrémy

Deset nejrychlejších GPU, které běží MolmoAct 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..

Nejmenší GPU, které ještě běží MolmoAct 2

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

Co čísla znamenají

Hardwarové požadavky v praxi

Minimum karta

Tesla C1080

Potřeba paměti

3.4 GB

Nejrychlejší

618 tok/s

MolmoAct 2 dosahuje počtu parametrů 5.5B. 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 Q3_K_M a vyrábějí kolem 18.1 tokenů za sekundu

Nejrychlejší, jak to pro to počítáme, je B200, generování přibližně 618 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

MolmoAct 2 byl zveřejněn Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, v zemi zaznamenané jako United States of America, během April 2026. Vydavatelská organizace je kategorizována jako research collective,Academia,Academia,Academia,Academia,Industry,Industry.

funguje v oblasti Vision, Language, Robotics, a je zaznamenán jako vykonávající úkol robotic manipulation.

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto. Na Hugging Face je publikováno pod organizací allenai.

Čtení čísel propustnosti

Polovina karet, které to drží, zvládne více než 25.8 tokens za sekundu. Překračující rychlost čtení rovnou: 759 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.

Co bylo zapotřebí k jeho vybudování

Trénování si vyžádalo výpočetní rozpočet přibližně 1.1 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

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

Krok za krokem

Jak vybrat GPU pro MolmoAct 2

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.

Tabulka uvádí každou kartu, která je schopna pojmout MolmoAct 2, potřebující kolem 3.4 GB při kompresi Q3_K_M. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
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. MolmoAct 2.
03

Vyberte, jak moc to budete komprimovat.

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q3_K_M 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 MolmoAct 2. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 618 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě MolmoAct 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.
06

Otevřete kartu, na které jste se usadili.

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

Odpovědi

MolmoAct 2 — běžné otázky

MolmoAct 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: 4. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

MolmoAct 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: 371–988 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

MolmoAct 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 Q3_K_M používající přibližně 3.4 GB, a produkuje přibližně 18.1 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

MolmoAct 2— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 618 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 759.

MolmoAct 2— kolik VRAM potřebuje?

Potřebuje asi 3.4 GB při kompresi Q3_K_M, 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.

MolmoAct 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 6.6 GB a generováním zhruba 115 tokenů za sekundu. Fit je těsný.

MolmoAct 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 6.6 GB a generováním zhruba 70.5 tokenů za sekundu. Fit je pohodlný.

MolmoAct 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 6.6 GB a generováním zhruba 87.3 tokenů za sekundu. Fit je pohodlný.

MolmoAct 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 6.6 GB a generováním zhruba 103 tokenů za sekundu. Fit je pohodlný.

MolmoAct 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.

MolmoAct 2— kolik má parametrů?

Má počet parametrů 5.5B. From https://huggingface.co/allenai/MolmoAct2/blob/main/model.safetensors.index.json. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

MolmoAct 2— Kdo to vytvořil?

Bylo to publikováno společností Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, zakládající se na United States of America, organizace zařazená jako research collective,Academia,Academia,Academia,Academia,Industry,Industry.

MolmoAct 2— Kdy byl vydán?

Bylo to zveřejněno v April 2026.

MolmoAct 2— K čemu se to používá?

funguje v oblasti Vision, Language, Robotics, a je zaznamenáno jako zpracovávající úkol robotic manipulation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

MolmoAct 2— kde si to mohu stáhnout?

Jeho váhy jsou publikovány na Hugging Face, pod organizací allenai. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.

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

Trénink spotřeboval kolem 1.1 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA H100 SXM5 80GB. 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.

MolmoAct 2— 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.

MolmoAct 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.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 30 July 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