K-EXAONE 2.0 TPS-Rechner
Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..
Für dieses Modell berechnet
818 Karten, für die wir Spezifikationen haben
Welche GPUs können laufen K-EXAONE 2.0?
Setze die Eingaben, lies die Antwort
Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..
Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..
0 Karten passen
Berechnung| Braucht | Quantisierung | Passend | |||||
|---|---|---|---|---|---|---|---|
|
Keine Karte in unserem Katalog kann dieses Modell mit diesen Einstellungen ausführen.. |
|||||||
Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- LG AI Research
- Organisationsart
- Industry
- Land
- Korea (Republic of)
- Veröffentlicht
- 31 July 2026
- Autoren
- Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Minhyeok Jung, Doyoung Kim, Heegyu Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Byungoh Ko, Changhun Lee, Dohaeng Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Minwoo Lee, Wonkee Lee, Sangha Park, Sungjune Park, Kwangrok Ryoo, Kijung Seo, Minju Seo, Yon…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation
- Basis-Modell
- K-EXAONE
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 750B
- Trainingsdaten
- tokens
MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B).
16T tokens (developer-reported via email, July 2026). The technical report describes continual pre-training on an additional ~8T tokens after a healing stage, mid-training on 800B tokens (two 400B stages extending context to 64K then 256K), and SFT on 350B tokens, on top of the upcycled K-EXAONE base (11T tokens).
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 3.6 × 10²⁴ FLOP
- Wie es etabliert wurde
- Reported
3.55e24 FLOP reported by LG AI Research via email (July 2026), alongside a 16T-token training data figure. Cross-check by operation counting: 6 * 37e9 active parameters * 16e12 tokens = 3.55e24 FLOP, exactly consistent with the reported figure. Note that K-EXAONE 2.0 is upcycled from K-EXAONE (11T tokens at 23B active parameters, 1.52e24 FLOP). The technical report describes a healing stage followed by ~8T tokens of continual pre-training, 800B tokens of mid-training (2 x 400B), and 350B token…
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Unreleased
- Hugging Face
- LGAI-EXAONE
Released under Apache 2.0 on Hugging Face.
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Training cost
- Aufzeichnungsgenauigkeit
- Confident
Developer-reported training compute cost of USD 17,998,771.54 (KRW 26,006,425,000 at 1,444.9 KRW/USD), communicated by LG AI Research via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not provided.
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- K-EXAONE 2.0 Technical Report
- Zuletzt aktualisiert
- 4 August 2026
Was die Zahlen bedeuten
Was es braucht, um dieses Modell auszuführen
K-EXAONE 2.0 erreicht eine Parameteranzahl von 750B. Das übersteigt, was eine einzelne GPU-Karte hält. Es auszuführen bedeutet, entweder auf mehrere Karten aufzuteilen oder Hardware zu mieten, die für die Aufgabe gebaut ist, und jede Karte, die es alleine halten kann, ist ein Datacenter-Teil. Die Anzahl, die es kann: 0.
Hintergrund
K-EXAONE 2.0 wurde veröffentlicht von LG AI Research, im Land aufgezeichnet als Korea (Republic of), während July 2026. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, K-EXAONE. Die meisten Modelle in diesem Bereich sind von einer bestehenden Basis abgeleitet, anstatt aus dem Nichts erstellt zu werden.
Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht. Es ist unter der Organisation auf Hugging Face veröffentlicht. LGAI-EXAONE.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 3.6 × 10²⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: training cost.
Schritt für Schritt
Wie wählt man eine GPU für K-EXAONE 2.0
Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..
-
01
Beginnen Sie mit der Speicher-Spalte
Die Tabelle listet jede Karte auf, die in der Lage ist, zu halten K-EXAONE 2.0. Kein Maß an Rechenleistung kompensiert eine Karte, die es nicht halten kann.
-
02
Passen Sie den Kontext an Ihre tatsächliche Verwendung an
Das Gespräch belegt ebenfalls Speicher und wächst, während es fortschreitet. Stellen Sie den Regler auf die Länge ein, die Sie erwarten, denn bei langem CONTEXT kann eine KARTE, die kurze Fragen mühelos verarbeitet, entfernt werden. K-EXAONE 2.0.
-
03
Setze eine Qualitätsuntergrenze
Jede Karte läuft die am wenigsten komprimierte Kopie, die sie halten kann.. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
-
04
Nach Geschwindigkeit sortieren
Das Ranking nach Tokens pro Sekunde folgt der Speicherbandbreite anstelle der Kernanzahl, für K-EXAONE 2.0. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist.
-
05
Lies die Spalte "fit" zuletzt
Tight bedeutet, dass es lädt und ohne Spielraum funktioniert, um den Kontext später zu erhöhen, im Fall von K-EXAONE 2.0. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
-
06
Überprüfen Sie die Karte von der anderen Seite
Jede Karte verlinkt auf ihre eigene Seite, die dieselbe Berechnung über den gesamten Modellkatalog ausführt. Eine Karte wird normalerweise für mehr als ein Modell gekauft, daher lohnt sich ein Blick, bevor man kauft. K-EXAONE 2.0.
Antworten
K-EXAONE 2.0 — Häufige Fragen
K-EXAONE 2.0— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 750B. MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B). Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
K-EXAONE 2.0— Wer hat es erstellt?
Es wurde veröffentlicht von LG AI Research, basiert auf Korea (Republic of), eine als kategorisierte Organisation industry.
K-EXAONE 2.0— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2026.
K-EXAONE 2.0— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
K-EXAONE 2.0— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation LGAI-EXAONE. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
K-EXAONE 2.0— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.6 × 10²⁴ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
K-EXAONE 2.0— Kann ich es ausführen, wenn es nicht in meine GPU passt?
Es kann zwischen der GPU-Karte und dem Systemspeicher aufgeteilt werden, aber es wird auf diese Weise schmerzhaft langsam erzeugt. Die nächste verpasste Berechnung bleibt hinter 197.8 GB Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.
K-EXAONE 2.0— Würden zwei GPUs es schneller ausführen?
Zwei Karten kaufen Speicher statt Geschwindigkeit, was nur wichtig ist, wenn eine Karte es nicht halten kann. Die Anzahl, die es kann: 0. So eine zweite Karte ist hier selten die Antwort.
K-EXAONE 2.0— Warum unterscheidet sich die Quantisierung zwischen Karten?
Jede Karte wird mit der am wenigsten komprimierten Kopie angezeigt, die sie halten kann. Die Anzahl der verschiedenen Komprimierungsstufen über die Karten, die sie passen: 1. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.
K-EXAONE 2.0— Wie genau sind diese Geschwindigkeitsabschätzungen?
Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: der Bereich unter jeder Zahl. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.
K-EXAONE 2.0— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.