Pangu-Weather Υπολογιστής TPS

Ανοιχτά βάρη Huawei 256M παράμετροι July 2023

Κάθε κάρτα παρακάτω αξιολογείται σύμφωνα με αυτό το μοντέλο στη διάρκεια συμφραζομένων και την ελάχιστη ποιότητα που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το εύρος ζώνης μνήμης της κάρτας και το μέγεθος του μοντέλου μόλις συμπιεστεί..

Υπολογίστηκε για αυτό το μοντέλο

818 κάρτες που μπορούν να το τρέξουν

818 κάρτες που κρατάμε προδιαγραφές για

Η μικρότερη κάρτα που χωράει

Tesla C1080

4 GB · Q8_0 · 144 tok/s

Ταχύτερη κάρτα

B200

13,235 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν Pangu-Weather?

Ορίστε τις εισόδους, διαβάστε την απάντηση

Μια μεγαλύτερη συζήτηση χρειάζεται περισσότερη μνήμη, γεγονός που μπορεί να απομακρύνει αυτό το μοντέλο από μικρότερες κάρτες..

Κρύβει κάρτες που θα χωρούσαν μόνο το μοντέλο συμπιέζοντας το κάτω από αυτό το σημείο.

818 οι κάρτες ταιριάζουν

Υπολογισμός
Χρειάζεται Ποσοτικοποίηση Καλά
13,235 tok/s

7,941–21,176 · χαμηλή εμπιστοσύνη

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.0 GB Q8_0 Άνετο
13,235 tok/s

7,941–21,176 · χαμηλή εμπιστοσύνη

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.0 GB Q8_0 Άνετο
10,569 tok/s

6,341–16,910 · χαμηλή εμπιστοσύνη

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Άνετο
10,569 tok/s

6,341–16,910 · χαμηλή εμπιστοσύνη

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Άνετο
8,452 tok/s

5,071–13,524 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.0 GB Q8_0 Άνετο
8,090 tok/s

4,854–12,944 · χαμηλή εμπιστοσύνη

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Άνετο
8,090 tok/s

4,854–12,944 · χαμηλή εμπιστοσύνη

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Άνετο
7,743 tok/s

4,646–12,388 · χαμηλή εμπιστοσύνη

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.0 GB Q8_0 Άνετο
6,872 tok/s

4,123–10,995 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Άνετο
6,872 tok/s

4,123–10,995 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Άνετο
6,872 tok/s

4,123–10,995 · χαμηλή εμπιστοσύνη

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Άνετο
6,518 tok/s

3,911–10,429 · χαμηλή εμπιστοσύνη

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.0 GB Q8_0 Άνετο
5,559 tok/s

3,335–8,894 · χαμηλή εμπιστοσύνη

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Άνετο
5,559 tok/s

3,335–8,894 · χαμηλή εμπιστοσύνη

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.0 GB Q8_0 Άνετο
5,559 tok/s

3,335–8,894 · χαμηλή εμπιστοσύνη

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Άνετο
5,559 tok/s

3,335–8,894 · χαμηλή εμπιστοσύνη

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Άνετο
5,559 tok/s

3,335–8,894 · χαμηλή εμπιστοσύνη

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Άνετο
4,233 tok/s

2,540–6,772 · χαμηλή εμπιστοσύνη

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Άνετο
4,233 tok/s

2,540–6,772 · χαμηλή εμπιστοσύνη

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Άνετο
3,527 tok/s

2,116–5,644 · χαμηλή εμπιστοσύνη

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.0 GB Q8_0 Άνετο
3,452 tok/s

2,071–5,523 · χαμηλή εμπιστοσύνη

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.0 GB Q8_0 Άνετο
3,375 tok/s

2,025–5,400 · χαμηλή εμπιστοσύνη

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.0 GB Q8_0 Άνετο
3,375 tok/s

2,025–5,400 · χαμηλή εμπιστοσύνη

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.0 GB Q8_0 Άνετο
3,375 tok/s

2,025–5,400 · χαμηλή εμπιστοσύνη

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.0 GB Q8_0 Άνετο
3,375 tok/s

2,025–5,400 · χαμηλή εμπιστοσύνη

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.0 GB Q8_0 Άνετο

Οι ταχύτητες είναι εκτιμήσεις για ένα μόνο αίτημα — μία συνομιλία τη φορά — υπολογισμένες από την μνήμη, το μέγεθος του μοντέλου και την ποσοτικοποίηση. Η πραγματική διακύμανση έξοδου ποικίλλει με τον χρόνο εκτέλεσης συμπερασμάτων και την έκδοσή του. Οι αριθμοί που δημοσιεύονται από τους προμηθευτές υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..

Σε καταγραφή

Πλήρης προδιαγραφή

Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..

Προέλευση

Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.

Οργάνωση
Huawei
Τύπος οργανισμού
Industry
Χώρα
China
Δημοσιευμένο
5 July 2023
Συγγραφείς
Kaifeng Bi, Lingxi Xie, Hengheng Zhang, Xin Chen, Xiaotao Gu, Qi Tian

Τι κάνει

Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.

τομέας
Earth science
Εργασία
Weather forecasting

Μέγεθος

Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.

παράμετροι
256M

4*64 million = 256M params "We trained four deep networks with lead times (the time difference between input and output) at 1 h, 3 h, 6 h and 24 h, respectively... This modification increases the number of bias parameters by a factor of 527, with each 3D deep network containing approximately 64 million parameters."

Δεδομένα εκπαίδευσης
24,457,821,696,000 tokens

"We used a single point in time for both input and output. The time resolution of the ERA5 data is 1 h; in the training subset (1979–2017), there were as many as 341,880 time points, the amount of training data in one epoch... We fed all included weather variables, including 13 layers of upper-air variables and the surface variables" 341,880 is the number of hours in ~40 years. But there's lots of data for each hour.

Εποχές
100

Εκπαίδευση υπολογιστών

Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.

Εκπαίδευση υπολογιστών
4 × 10²² FLOP

"Each of the four deep networks was trained for 100 epochs, and each of them takes approximately 16 days on a cluster of 192 NVIDIA Tesla-V100 GPUs." 192 * 4 * 16 * 24 * 3600 * 125 teraflops * 0.3 utilization = 3.98e22

Πώς ιδρύθηκε
Hardware

Η εκπαίδευση run

Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.

Υλικό εκπαίδευσης
NVIDIA V100
χρησιμοποιούμενα τσιπ
192
Χρόνος τοίχου
1,536 hours (64 days)

4*16 = 64 days "Each of the four deep networks was trained for 100 epochs, andeach of them takes approximately 16 days on a cluster of 192 NVIDIA Tesla-V100 GPUs."

Κατανάλωση ενέργειας
114.6 kW
Κόστος υπολογισμού
$51,279

Διαθεσιμότητα

Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.

Βάρη
Open — downloadable
Πρόσβαση μοντέλου
Open weights (non-commercial)
Κωδικός εκπαίδευσης
Unreleased

Models and code here: https://github.com/198808xc/Pangu-Weather Commercial use forbidden

Πώς ταξινομείται

Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.

Γιατί παρακολουθείται
SOTA improvement

"In meteorology, the Pangu Meteorology Model (or Pangu-Weather) is the first AI model to have surpassed state-of-the-art numerical weather prediction (NWP) methods in terms of accuracy. The prediction speed is also several orders of magnitude faster. In the past, predicting the trajectory of a typhoon over 10 days took 4 to 5 hours of simulation on a high-performance cluster of 3,000 servers. Now, the Pangu model can do it in 10 seconds on a single GPU of a single server, and with more accurate …

Εγγραφή εμπιστοσύνης
Confident
Παραπομπές
197

Πηγές

Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.

Αναφορά
Accurate medium-range global weather forecasting with 3D neural networks
Τελευταία ενημέρωση
28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν Pangu-Weather

Καταταγμένο κατά εκτιμώμενα tokens ανά δευτερόλεπτο, η νέα κάρτα πρώτα όπου οι ταχύτητες ισοφαρίζουν. Επειδή η γενιά εξαρτάται από την μνήμη μπάδνγουθ, αυτή η ταξινόμηση ακολουθεί την μπάδνγουθ παρά οποιοδήποτε benchmark παιχνιδιού..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 13,235 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 13,235 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 10,569 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 10,569 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 8,452 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 8,090 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 8,090 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 7,743 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 6,872 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 6,872 tok/s

Οι μικρότερες GPUs που ακόμη λειτουργούν Pangu-Weather

Η φθηνότερη διαδρομή, κατά χωρητικότητα μνήμης. Μια σφιχτή εφαρμογή τρέχει το μοντέλο αλλά δεν αφήνει τίποτα επιπλέον για μια μεγαλύτερη συνομιλία..

  1. 01 GeForce RTX 4010 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 159 tok/s
  2. 02 RTX A400 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 159 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 212 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 318 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 56.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 165 tok/s
  7. 07 Radeon RX 6550M 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 186 tok/s
  8. 08 Radeon RX 6550S 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 165 tok/s
  9. 09 Arc A310 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 133 tok/s
  10. 10 Arc Pro A30M 4 GB · Χρειάζεται 1.0 GB · Q8_0 · Άνετο 138 tok/s

Τι σημαίνουν οι αριθμοί

Απαιτήσεις υλικού στην πράξη

Ελάχιστη κάρτα

Tesla C1080

Μνήμη που απαιτείται

1.0 GB

Ταχύτερος

13,235 tok/s

Pangu-Weather φτάνει σε αριθμό παραμέτρων του 256M. Αυτό είναι αρκετά μικρό ώστε το υλικό σπάνια να είναι το εμπόδιο, συμπεριλαμβανομένων καρτών αρκετών ετών. Ο αριθμός των καρτών που παρακολουθούμε που μπορούν να το τρέξουν: 818.

Το σημείο εισόδου είναι Tesla C1080, με χωρητικότητα μνήμης 4 GB, τρέχοντας το σε μια συμπίεση του Q8_0 και παράγοντας περίπου 144 tokens ανά δευτερόλεπτο

Κορυφαία κατηγορία είναι B200, γεννά προσεγγιστικά 13,235 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Υπόβαθρο

Pangu-Weather δημοσιεύθηκε από Huawei, στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια July 2023. Προέρχεται από έναν οργανισμό που κατατάσσεται ως industry.

Λειτουργεί στον τομέα της Earth science, και καταγράφεται ότι εκτελεί την εργασία του weather forecasting.

Οι δημοσιευμένοι σταθμισμένοι παράμετροι σημαίνουν ότι το μοντέλο εκτελείται στον υπολογιστή σας αντί για κάποιου άλλου, το οποίο είναι αυτό που καθιστά την ερώτηση για το υλικό παρακάτω απαντήσιμη σε κάθε περίπτωση.

Διαβάζοντας τα νούμερα απόδοσης

Η διάμεση τιμή είναι γύρω από 371.7 δεκάδες ανά δευτερόλεπτο 818 τους

Είναι ένα πυκνό μοντέλο, οπότε κάθε παράμετρος διαβάζεται για κάθε τοκέτο που παράγεται. Αυτό καθιστά την ταχύτητα να παρακολουθεί σχεδόν ακριβώς τη μνήμη μπάκανθ — μια κάρτα με διπλάσια μπάκανθ παράγει περίπου διπλάσια γρήγορα.

Χωρίς τη διάταξη προσοχής σε αρχείο, η στήλη μνήμης είναι μια προσέγγιση. Είναι αρκετά κοντά για να επιλέξετε υλικό, και λιγότερο αξιόπιστη σε μεγάλο context.

Τι χρειάστηκε για την κατασκευή του

Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 4 × 10²² FLOP, σε υλικό καταγεγραμμένο ως NVIDIA V100. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Εκπαιδεύτηκε σε ένα σώμα περίπου 24,457,821,696,000 κωδικοί κειμένου

Το κριτήριο συμπερασμού του: sOTA improvement.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για Pangu-Weather

Ο πίνακας παραπάνω έχει ήδη αξιολογήσει κάθε κάρτα για την οποία έχουμε προδιαγραφές σε σχέση με αυτό το μοντέλο. Η εύρεση της απάντησής σας απαιτεί έξι βήματα.

  1. 01

    Διάβασε πρώτα την εικόνα μνήμης

    Αρχίστε από αυτό που πραγματικά χρειάζεται, το οποίο είναι η απαίτηση του Pangu-Weather, χρειάζεστε γύρω 1.0 GB σε συμπίεση ενός Q8_0. Καμία ποσότητα επεξεργαστικής ισχύος δεν μπορεί να αντισταθμίσει μια κάρτα που δεν μπορεί να την κρατήσει.

  2. 02

    Αποφασίστε πόσο πολύ διαρκούν οι συνομιλίες σας

    Ρυθμίστε το πλαίσιο σε αυτό που θα χρησιμοποιήσετε πραγματικά. Η μνήμη αυξάνεται με την συνομιλία, και είναι ο συνηθισμένος λόγος που μια κάρτα που φαινόταν εντάξει σταματά να ταιριάζει. Pangu-Weather.

  3. 03

    Ορίστε ένα ποιοτικό κατώφλι

    Η στήλη ποσοτικοποίησης διαφέρει ανά κάρτα, διότι μια μεγαλύτερη κάρτα κρατά μια πιο ακριβή αντιγραφή., φτάνοντας σε μια συμπίεση του Q8_0 στην μικρότερη κάρτα που χωρά. Η ρύθμιση μιας ελάχιστης ποιότητας απορρίπτει τις κάρτες που το διαχειρίζονται μόνο σφίγγοντας περισσότερο από αυτό που θα θέλατε, και διατηρεί τη σύγκριση σε ένα επίπεδο.

  4. 04

    Σύγκριση TPS, όχι προδιαγραφές

    Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για Pangu-Weather. Δεν θα ταιριάξει σε μια παραγγελία παιχνιδιών, επειδή η γενιά περιορίζεται από το memory bandwidth. Η κάρτα που είναι στην κορυφή της λίστας είναι B200, σε 13,235 τοκ/σ.

  5. 05

    Κοίτα τον χώρο, όχι μόνο την εφαρμογή

    Το "Tight" σημαίνει ότι φορτώνει και λειτουργεί χωρίς περιθώριο να αυξηθεί το context αργότερα, στην περίπτωση του Pangu-Weather. Άνετο σημαίνει ότι μπορείτε να επεκτείνετε το context αργότερα. Αυτή η διαφορά έχει μεγαλύτερη σημασία από μερικά tokens ανά δευτερόλεπτο, οπότε αγοράστε για άνετο αν το περιμένετε.

  6. 06

    Δες τι άλλο τρέχει αυτή η κάρτα

    Κάθε όνομα κάρτας συνδέεται με τη δική της σελίδα, η οποία εκτελεί την ίδια υπολογιστική διαδικασία σε όλο τον κατάλογο μοντέλων. Μια κάρτα συνήθως αγοράζεται για περισσότερα από ένα μοντέλο, οπότε αξίζει να ρίξετε μια ματιά πριν από την αγορά για Pangu-Weather.

Απαντήσεις

Pangu-Weather — κοινές ερωτήσεις

01

Pangu-Weather— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 7,941–21,176 tok/s στον B200. Το ίδιο μοντέλο και κάρτα διαφέρουν κατά τριάντα έως πενήντα τοις εκατό ανάλογα με το λογισμικό συμπερασμού και την έκδοσή του.

02

Pangu-Weather— ποια GPU χρειάζομαι για να το τρέξω;

Η μικρότερη κάρτα στον κατάλογό μας που το κρατάει είναι Tesla C1080, με χωρητικότητα μνήμης 4 GB. Τρέχει το μοντέλο σε συμπίεση της Q8_0 χρησιμοποιώντας περίπου 1.0 GB, και παράγει περίπου 144 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 818.

03

Pangu-Weather— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 13,235 tokens ανά δευτερόλεπτο; ο πιο αργός που εξακολουθεί να τρέχει διαχειρίζεται σημαντικά λιγότερα. Η ταχύτητα ανάγνωσης είναι γύρω από δέκα tokens ανά δευτερόλεπτο, και ο αριθμός των καρτών που καθαρίζουν αυτό: 818.

04

Pangu-Weather— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 1.0 GB σε συμπίεση Q8_0, ποια είναι η μικρότερη κάρτα που το τρέχει. Λιγότερη συμπίεση χρειάζεται περισσότερα: οι αριθμοί στη στήλη μνήμης παραπάνω υπολογίζονται ξανά για κάθε κάρτα, επειδή κάθε μία κρατά την λιγότερο συμπιεσμένη έκδοση που μπορεί.

05

Pangu-Weather— μπορώ να το τρέξω σε μια GPU holding 8 GB?

Ναι. Η GPU CMP 170HX 8 GB, κρατώντας 8 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 1.0 GB και παράγοντας περίπου 2,465 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

06

Pangu-Weather— μπορώ να το τρέξω σε μια GPU holding 12 GB?

Ναι. Η GPU GeForce RTX 3080 Ti, κρατώντας 12 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 1.0 GB και παράγοντας περίπου 1,509 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

07

Pangu-Weather— μπορώ να το τρέξω σε μια GPU holding 16 GB?

Ναι. Η GPU Tesla V100 SXM2 16 GB, κρατώντας 16 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 1.0 GB και παράγοντας περίπου 1,869 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

08

Pangu-Weather— μπορώ να το τρέξω σε μια GPU holding 24 GB?

Ναι. Η GPU GeForce RTX 5090 D V2, κρατώντας 24 ΓΒ, το τρέχει με συμπίεση από Q8_0, χρησιμοποιώντας περίπου 1.0 GB και παράγοντας περίπου 2,217 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

09

Pangu-Weather— είναι ανοιχτού κώδικα;

Οι βάσεις του είναι δημοσιευμένες, οπότε μπορεί να κατέβει και να τρέξει σε δικό σας υλικό. Σημειώστε ότι τα open weights δεν είναι το ίδιο με το open source με την πλήρη έννοια — δεν λέει τίποτα για τα δεδομένα εκπαίδευσης, τον κώδικα εκπαίδευσης ή τους εμπορικούς όρους που συσχετίζονται.

10

Pangu-Weather— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 256M. 4*64 million = 256M params "We trained four deep networks with lead times (the time difference between input and output) at 1 h, 3 h, 6 h and 24 h, respectively... This modification increases the number of bias parameters by a factor of 527, with each 3D deep network containing approximately 64 million parameters.". Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.

11

Pangu-Weather— ποιος το δημιούργησε;

Δημοσιεύθηκε από Huawei, βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως industry.

12

Pangu-Weather— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε July 2023. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

13

Pangu-Weather— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Earth science, και καταγράφεται ως διαχείριση της εργασίας του weather forecasting. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.

14

Pangu-Weather— πού μπορώ να το κατεβάσω;

Οι παράμετροι είναι δημοσιευμένες, αν και δεν κρατάμε σύνδεσμο αποθετηρίου γι' αυτό. Αυτή η ιστοσελίδα υπολογίζει τις απαιτήσεις υλικού αντί να φιλοξενεί αρχεία μοντέλων.

15

Pangu-Weather— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 4 × 10²² FLOP, σε υλικό καταγεγραμμένο ως NVIDIA V100. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.

16

Pangu-Weather— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;

Μερικώς. Οι στρώσεις που δεν χωρούν βρίσκονται στη μνήμη του συστήματος και λειτουργούν με κλάσμα της ταχύτητας, οπότε ένα μοντέλο που είναι κυρίως εκφορτωμένο σπάνια αξίζει να χρησιμοποιηθεί. Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

17

Pangu-Weather— θα τρέξουν δύο GPU πιο γρήγορα;

Δύο κάρτες αγοράζουν μνήμη rather than ταχύτητα, η οποία έχει σημασία μόνο αν μία κάρτα δεν μπορεί να το κρατήσει. Ο αριθμός που μπορεί: 818. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

18

Pangu-Weather— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;

Κάθε κάρτα εμφανίζεται τρέχοντας την λιγότερο συμπιεσμένη έκδοση που μπορεί να κρατήσει. Ο αριθμός των διακριτών επιπέδων συμπίεσης στις κάρτες που ταιριάζουν σε αυτήν: 1. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 28 November 2025

Η άλλη κατεύθυνση

Κοιτάζοντας το από την άλλη πλευρά;

Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.

Όλα τα μοντέλα AI