TxGemma 27B TPS kalkulátor

Otevřít váhy Google DeepMind,Google Research 27B parametry April 2025

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

241 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Xeon Phi 7120P

16 GB · Q3_K_M · 9.7 tok/s

Nejrychlejší karta

B200

125 tok/s · 180 GB

Které GPU mohou spustit TxGemma 27B?

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.

241 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
125 tok/s 107–151	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	30.1 GB	Q8_0	Pohodlný
125 tok/s 107–151	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	30.1 GB	Q8_0	Pohodlný
100 tok/s 60–160 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Pohodlný
100 tok/s 60–160 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Pohodlný
80.1 tok/s 48–128 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	30.1 GB	Q8_0	Pohodlný
76.7 tok/s 65–92	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Pohodlný
76.7 tok/s 65–92	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Pohodlný
73.4 tok/s 44–117 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	30.1 GB	Q8_0	Pohodlný
65.2 tok/s 39–104 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Pohodlný
65.2 tok/s 39–104 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Pohodlný
65.2 tok/s 39–104 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Pohodlný
61.8 tok/s 53–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	30.1 GB	Q8_0	Pohodlný
52.7 tok/s 45–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Pohodlný
52.7 tok/s 45–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	30.1 GB	Q8_0	Pohodlný
52.7 tok/s 45–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Pohodlný
52.7 tok/s 45–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Pohodlný
52.7 tok/s 45–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Pohodlný
47.8 tok/s 41–57	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.4 GB	Q3_K_M	Těsný
42.6 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Pohodlný
42.6 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Pohodlný
40.8 tok/s 35–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Pohodlný
40.8 tok/s 35–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Pohodlný
40.6 tok/s 35–49	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.4 GB	Q3_K_M	Těsný
40.1 tok/s 24–64 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	30.1 GB	Q8_0	Pohodlný
40.1 tok/s 24–64 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	30.1 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: Google DeepMind,Google Research
Typ organizace: Industry,Industry
Země: United States of America
Publikováno: 8 April 2025
Autoři: Eric Wang, Samuel Schmidgall, Paul F. Jaeger, Fan Zhang, Rory Pilgrim, Yossi Matias, Joelle Barral, David Fleet, Shekoofeh Azizi

Co to dělá

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

Doména: Language, Biology
Úkol: Protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation
Základní model: Gemma 2 27B

Velikost

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

parametry: 27B
Výcviková data: tokens
Epochy: 12

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: 2.1 × 10²⁴ FLOP
Jak bylo ustanoveno: Operation counting
Ladění výpočtů: 1.1 × 10²² FLOP

Tréninkový běh

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

Tréninkový hardware: Google TPU v4
Používané čipy: 256
Příkon: 170.7 kW

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 (restricted use)
Tréninkový kód: Unreleased
Hugging Face: google

Jak je to klasifikováno

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

Pravděpodobně nad 10²³ FLOP: Yes
Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: TxGemma: Efficient and Agentic LLMs for Therapeutics
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží TxGemma 27B

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 TxGemma 27B

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

Co čísla znamenají

Hardwareová stránka

Minimum karta

Xeon Phi 7120P

Potřeba paměti

14.4 GB

Nejrychlejší

125 tok/s

TxGemma 27B dosahuje počtu parametrů 27B. To přistane v oblasti, kterou může zvládnout seriózní desktopová KARTA, jakmile jsou VÁHY zkomprimovány. Počet KARET, které sledujeme a které to mohou spustit: 241.

Na nízkém konci se to řeší pomocí Xeon Phi 7120P, s kapacitou VRAM 16 GB, spuštění na kompresi Q3_K_M a vyrábějí kolem 9.7 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 125 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

TxGemma 27B byl zveřejněn Google DeepMind,Google Research, v zemi zaznamenané jako United States of America, během April 2025. Vychází z organizace, která je kategorizována jako industry,Industry.

funguje v oblasti Language, Biology, a je zaznamenán jako vykonávající úkol protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation.

Jeho výchozím bodem byl existující základní model, Gemma 2 27B. To je obvyklý způsob, jak je specializovaný model vytvářen.

Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu. Na Hugging Face je publikováno pod organizací google.

Čtení čísel propustnosti

Uprostřed rozsahu se nachází každá karta, která to dokáže spustit, na 19.0 tokenů za sekundu 196 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.

Protože je architektura zaznamenaná, sloupec paměti je odvozen spíše než odhadován.

Jak bylo trénováno

Trénování si vyžádalo výpočetní rozpočet přibližně 2.1 × 10²⁴ FLOP, na hardwaru zaznamenáno jako Google TPU v4. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Krok za krokem

Jak vybrat GPU pro TxGemma 27B

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

01

Začněte od sloupce paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na TxGemma 27B, potřebující kolem 14.4 GB při kompresi Q3_K_M. Žádné množství výpočetního výkonu nenahradí kartu, která to nemůže udržet.
02

Rozhodněte, jak dlouho vaše konverzace běží

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. TxGemma 27B.
03

Rozhodněte, jaké množství komprese přijmete

Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., 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

Srovnejte TPS, ne specifikace

Hodnocení podle tokenů za sekundu následuje šířku paměti spíše než počty jader, pro TxGemma 27B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 125 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě TxGemma 27B. 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

Zkontrolujte kartu z druhé strany

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě TxGemma 27B.

Odpovědi

TxGemma 27B — běžné otázky

TxGemma 27B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Xeon Phi 7120P, s kapacitou VRAM 16 GB. Spouští model při kompresi Q3_K_M používající přibližně 14.4 GB, a produkuje přibližně 9.7 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 241.

TxGemma 27B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 125 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 196.

TxGemma 27B— kolik VRAM potřebuje?

Potřebuje asi 14.4 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.

TxGemma 27B— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q3_K_M, používající přibližně 14.4 GB a generováním zhruba 47.8 tokenů za sekundu. Fit je těsný.

TxGemma 27B— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q5_K_M, používající přibližně 20.6 GB a generováním zhruba 37.5 tokenů za sekundu. Fit je těsný.

TxGemma 27B— 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.

TxGemma 27B— kolik má parametrů?

Má počet parametrů 27B. 27B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

TxGemma 27B— Kdo to vytvořil?

Bylo to publikováno společností Google DeepMind,Google Research, zakládající se na United States of America, organizace zařazená jako industry,Industry.

TxGemma 27B— Kdy byl vydán?

Bylo to zveřejněno v April 2025.

TxGemma 27B— K čemu se to používá?

funguje v oblasti Language, Biology, a je zaznamenáno jako zpracovávající úkol protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

TxGemma 27B— kde si to mohu stáhnout?

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

TxGemma 27B— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 2.1 × 10²⁴ FLOP, na hardwaru zaznamenáno jako Google TPU v4. 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.

TxGemma 27B— 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. Nejbližší nepřesnost, kterou vypočítáme, zaostává o 6.7 GB. Každá postava zde předpokládá, že celý model je umístěn na kartě.

TxGemma 27B— Běhalo by to rychleji na dvou GPU?

Kapacita se sčítá napříč KARTAMI; propustnost nikoliv. Počet KARET, které ji již drží samostatně: 241. Takže druhá karta je tu zřídka odpovědí.

TxGemma 27B— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 5. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

TxGemma 27B— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 107–151 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

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