Prithvi WxC TPS kalkulátor

Otevřít váhy IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA 2.3B parametry September 2024

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 · 16.0 tok/s

Nejrychlejší karta

B200

1,473 tok/s · 180 GB

Které GPU mohou spustit Prithvi WxC?

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
1,473 tok/s 884–2,357 · nízká důvěra	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.2 GB	Q8_0	Pohodlný
1,473 tok/s 884–2,357 · nízká důvěra	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.2 GB	Q8_0	Pohodlný
1,176 tok/s 706–1,882 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Pohodlný
1,176 tok/s 706–1,882 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Pohodlný
941 tok/s 564–1,505 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.2 GB	Q8_0	Pohodlný
900 tok/s 540–1,441 · nízká důvěra	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Pohodlný
900 tok/s 540–1,441 · nízká důvěra	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Pohodlný
862 tok/s 517–1,379 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.2 GB	Q8_0	Pohodlný
765 tok/s 459–1,224 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Pohodlný
765 tok/s 459–1,224 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Pohodlný
765 tok/s 459–1,224 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Pohodlný
726 tok/s 435–1,161 · nízká důvěra	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.2 GB	Q8_0	Pohodlný
619 tok/s 371–990 · nízká důvěra	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Pohodlný
619 tok/s 371–990 · nízká důvěra	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.2 GB	Q8_0	Pohodlný
619 tok/s 371–990 · nízká důvěra	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Pohodlný
619 tok/s 371–990 · nízká důvěra	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Pohodlný
619 tok/s 371–990 · nízká důvěra	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Pohodlný
471 tok/s 283–754 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Pohodlný
471 tok/s 283–754 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Pohodlný
393 tok/s 236–628 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.2 GB	Q8_0	Pohodlný
384 tok/s 231–615 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.2 GB	Q8_0	Pohodlný
376 tok/s 225–601 · nízká důvěra	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.2 GB	Q8_0	Pohodlný
376 tok/s 225–601 · nízká důvěra	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.2 GB	Q8_0	Pohodlný
376 tok/s 225–601 · nízká důvěra	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.2 GB	Q8_0	Pohodlný
376 tok/s 225–601 · nízká důvěra	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.2 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: IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA
Typ organizace: Industry,Academia,Academia,Academia,Government,Government
Země: United States of America
Publikováno: 20 September 2024
Autoři: Johannes Schmude, Sujit Roy, Will Trojak, Johannes Jakubik, Daniel Salles Civitarese, Shraddha Singh, Julian Kuehnert, Kumar Ankur, Aman Gupta, Christopher E Phillips, Romeo Kienzler, Daniela Szwarcman, Vishal Gaur, Rajat Shinde, Rohit Lal, Arlindo Da Silva, Jorge Luis Guevara Diaz, Anne Jones, Simon Pfreundschuh, Amy Lin, Aditi Sheshadri, Udaysankar Nair, Valentine Anantharaj, Hendrik Hamann, Cam…

Co to dělá

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

Doména: Earth science
Úkol: Weather forecasting

Velikost

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

parametry: 2.3B
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: 7.2 × 10¹⁹ 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 A100
Používané čipy: 64
Příkon: 50.4 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 (unrestricted)
Tréninkový kód: Unreleased
Hugging Face: ibm-nasa-geospatial

Jak je to klasifikováno

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

Záznam důvěry: Confident
Citace: 38

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Prithvi WxC: Foundation Model for Weather and Climate
Nap poslední aktualizace: 25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží Prithvi WxC

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 Prithvi WxC

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

3.2 GB

Nejrychlejší

1,473 tok/s

Prithvi WxC dosahuje počtu parametrů 2.3B. 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 Q8_0 a vyrábějí kolem 16.0 tokenů za sekundu

Na druhém konci sedí B200, generování přibližně 1,473 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

Prithvi WxC byl zveřejněn IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, v zemi zaznamenané jako United States of America, během September 2024. Vydavatelská organizace je kategorizována jako industry,Academia,Academia,Academia,Government,Government.

funguje v oblasti Earth science, a je zaznamenán jako vykonávající úkol weather forecasting.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet. Na Hugging Face je publikováno pod organizací ibm-nasa-geospatial.

Co rozhoduje o rychlosti

Polovina karet, které to drží, zvládne více než 41.4 tokenů za sekundu. Producing text faster than most people read it: 785 z nich

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

Jeho vnitřní architektura není v evidenci, takže paměť je přibližně odhadnuta z počtu parametrů a označena odpovídajícím způsobem. Očekávejte, že skutečná čísla se budou lišit, zejména u dlouhého kontextu.

Jak bylo trénováno

Trenovací běh spotřeboval asi 7.2 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Krok za krokem

Jak vybrat GPU pro Prithvi WxC

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

01

Přečtěte si nejprve číslo paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na Prithvi WxC, potřebující kolem 3.2 GB při kompresi Q8_0. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Nastavte délku kontextu, se kterou budete pracovat

Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro Prithvi WxC.
03

Rozhodněte, jaké množství komprese přijmete

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., 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

Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. Prithvi WxC. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 1,473 tok/s
05

Zkontrolujte verdikt o vhodnosti před koupí

Tight znamená, že se načítá a funguje bez možnosti později zvýšit context length, v případě Prithvi WxC. 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

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. Prithvi WxC.

Odpovědi

Prithvi WxC — běžné otázky

Prithvi WxC— Kdo to vytvořil?

Bylo to publikováno společností IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, zakládající se na United States of America, organizace zařazená jako industry,Academia,Academia,Academia,Government,Government.

Prithvi WxC— Kdy byl vydán?

Bylo to zveřejněno v September 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

Prithvi WxC— K čemu se to používá?

funguje v oblasti Earth science, a je zaznamenáno jako zpracovávající úkol weather forecasting. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Prithvi WxC— kde si to mohu stáhnout?

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

Prithvi WxC— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 7.2 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. 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.

Prithvi WxC— 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.

Prithvi WxC— 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.

Prithvi WxC— 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.

Prithvi WxC— Jak přesné jsou tyto odhady rychlosti?

Každé číslo je odvozeno od šířky pásma VRAM a velikosti modelu, není benchmarkováno, což je důvod, proč je každé publikováno jako rozsah spíše než jako jediné číslo. Jeden příklad: 884–2,357 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Prithvi WxC— 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 3.2 GB, a produkuje přibližně 16.0 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Prithvi WxC— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 1,473 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 785.

Prithvi WxC— kolik VRAM potřebuje?

Potřebuje asi 3.2 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.

Prithvi WxC— 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 3.2 GB a generováním zhruba 274 tokenů za sekundu. Fit je pohodlný.

Prithvi WxC— 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 3.2 GB a generováním zhruba 168 tokenů za sekundu. Fit je pohodlný.

Prithvi WxC— 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 3.2 GB a generováním zhruba 208 tokenů za sekundu. Fit je pohodlný.

Prithvi WxC— 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 3.2 GB a generováním zhruba 247 tokenů za sekundu. Fit je pohodlný.

Prithvi WxC— 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.

Prithvi WxC— kolik má parametrů?

Má počet parametrů 2.3B. a 2.3 billion parameter foundation model developed using 160 variables from the Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 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