Nucleotide Transformer Υπολογιστής TPS

Ανοιχτά βάρη NVIDIA,Technical University of Munich,InstaDeep 2.5B παράμετροι January 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 · 14.8 tok/s

Ταχύτερη κάρτα

B200

1,355 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν Nucleotide Transformer?

Ορίστε τις εισόδους, διαβάστε την απάντηση

Μήκος συμφραζομένων μουσικά κομμάτια

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

Ελάχιστη ποιότητα

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

Αναζήτηση καρτών

Μνήμη κάρτας

Επίσης δείξτε κάρτες που δεν μπορούν να το τρέξουν

818 οι κάρτες ταιριάζουν

Υπολογισμός

					Χρειάζεται	Ποσοτικοποίηση	Καλά
1,355 tok/s 813–2,168 · χαμηλή εμπιστοσύνη	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.4 GB	Q8_0	Άνετο
1,355 tok/s 813–2,168 · χαμηλή εμπιστοσύνη	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.4 GB	Q8_0	Άνετο
1,082 tok/s 649–1,732 · χαμηλή εμπιστοσύνη	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.4 GB	Q8_0	Άνετο
1,082 tok/s 649–1,732 · χαμηλή εμπιστοσύνη	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.4 GB	Q8_0	Άνετο
866 tok/s 519–1,385 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.4 GB	Q8_0	Άνετο
828 tok/s 497–1,325 · χαμηλή εμπιστοσύνη	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.4 GB	Q8_0	Άνετο
828 tok/s 497–1,325 · χαμηλή εμπιστοσύνη	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.4 GB	Q8_0	Άνετο
793 tok/s 476–1,269 · χαμηλή εμπιστοσύνη	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.4 GB	Q8_0	Άνετο
704 tok/s 422–1,126 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Άνετο
704 tok/s 422–1,126 · χαμηλή εμπιστοσύνη	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Άνετο
704 tok/s 422–1,126 · χαμηλή εμπιστοσύνη	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.4 GB	Q8_0	Άνετο
667 tok/s 400–1,068 · χαμηλή εμπιστοσύνη	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.4 GB	Q8_0	Άνετο
569 tok/s 342–911 · χαμηλή εμπιστοσύνη	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Άνετο
569 tok/s 342–911 · χαμηλή εμπιστοσύνη	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.4 GB	Q8_0	Άνετο
569 tok/s 342–911 · χαμηλή εμπιστοσύνη	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Άνετο
569 tok/s 342–911 · χαμηλή εμπιστοσύνη	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Άνετο
569 tok/s 342–911 · χαμηλή εμπιστοσύνη	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.4 GB	Q8_0	Άνετο
433 tok/s 260–693 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.4 GB	Q8_0	Άνετο
433 tok/s 260–693 · χαμηλή εμπιστοσύνη	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.4 GB	Q8_0	Άνετο
361 tok/s 217–578 · χαμηλή εμπιστοσύνη	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.4 GB	Q8_0	Άνετο
353 tok/s 212–566 · χαμηλή εμπιστοσύνη	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.4 GB	Q8_0	Άνετο
346 tok/s 207–553 · χαμηλή εμπιστοσύνη	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.4 GB	Q8_0	Άνετο
346 tok/s 207–553 · χαμηλή εμπιστοσύνη	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.4 GB	Q8_0	Άνετο
346 tok/s 207–553 · χαμηλή εμπιστοσύνη	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.4 GB	Q8_0	Άνετο
346 tok/s 207–553 · χαμηλή εμπιστοσύνη	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.4 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: NVIDIA,Technical University of Munich,InstaDeep
Τύπος οργανισμού: Industry,Academia,Industry
Χώρα: United States of America, Germany, United Kingdom of Great Britain and Northern Ireland
Δημοσιευμένο: 15 January 2023
Συγγραφείς: Hugo Dalla-Torre, Liam Gonzalez, Javier Mendoza Revilla, Nicolas Lopez Carranza, Adam Henryk Grzywaczewski, Francesco Oteri, Christian Dallago, Evan Trop, Hassan Sirelkhatim, Guillaume Richard, Marcin Skwark, Karim Beguir, Marie Lopez, Thomas Pierrot

Τι κάνει

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

τομέας: Biology
Εργασία: Protein or nucleotide language model (pLM/nLM), Nucleotide generation
Προσέγγιση: Self-supervised learning
Αριθμητική μορφή: FP32

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: 2.5B
Δεδομένα εκπαίδευσης: 300,000,000,000 tokens
Εποχές: 1

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: 8.1 × 10²¹ FLOP
Πώς ιδρύθηκε: Operation counting,Hardware
Ρύθμιση υπολογιστών: 9.4 × 10¹⁷ FLOP

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 A100
χρησιμοποιούμενα τσιπ: 128
Τσιπ-ώρες: 86,016
Χρόνος τοίχου: 672 hours (28 days)
Κατανάλωση ενέργειας: 102.2 kW
Κόστος υπολογισμού: $51,065

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

Πώς ταξινομείται

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

Γιατί παρακολουθείται: SOTA improvement
Εγγραφή εμπιστοσύνης: Likely
Παραπομπές: 22

Πηγές

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

Αναφορά: The Nucleotide Transformer: Building and Evaluating Robust Foundation Models for Human Genomics
Τελευταία ενημέρωση: 28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν Nucleotide Transformer

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..

Οι μικρότερες GPUs που ακόμη λειτουργούν Nucleotide Transformer

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

Τι σημαίνουν οι αριθμοί

Η υλική πλευρά

Ελάχιστη κάρτα

Tesla C1080

Μνήμη που απαιτείται

3.4 GB

Ταχύτερος

1,355 tok/s

Nucleotide Transformer φτάνει σε αριθμό παραμέτρων του 2.5B. 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.

Στο χαμηλό άκρο καταφέρνει να διαχειρίζεται Tesla C1080, με χωρητικότητα μνήμης 4 GB, τρέχοντας το σε μια συμπίεση του Q8_0 και παράγοντας περίπου 14.8 tokens ανά δευτερόλεπτο

Ο ταχύτερος υπολογισμός που κάνουμε γι 'αυτό είναι B200, γεννά προσεγγιστικά 1,355 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Από πού προήλθε

Nucleotide Transformer δημοσιεύθηκε από NVIDIA,Technical University of Munich,InstaDeep, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια January 2023. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry,Academia,Industry.

Λειτουργεί στον τομέα της Biology, και καταγράφεται ότι εκτελεί την εργασία του protein or nucleotide language model (pLM/nLM), Nucleotide generation.

Τα ανοιχτά βάρη είναι αυτά που τοποθετούν αυτή τη σελίδα στον υπολογιστή αντί να είναι μόνο στον κατάλογο: είναι ένα μοντέλο που μπορείς να κρατήσεις πραγματικά.

Κατανόηση των ταχυτήτων

Η διάμεση τιμή είναι γύρω από 38.1 δεδομένα ανά δευτερόλεπτο 783 τους

Επειδή είναι πυκνό, διαβάζει όλα τα στοιχεία του ανά τοκέν, γι' αυτό και η ταξινόμηση κατά ταχύτητα παρακάτω ακολουθεί τόσο στενά την ταξινόμηση κατά μνήμης πλάτους.

Η μνήμη εδώ εκτιμάται από το μέγεθος παρά υπολογίζεται από την αρχιτεκτονική, η οποία δεν έχει καταγραφεί για αυτό το μοντέλο — οι αριθμοί είναι ενδεικτικοί παρά ακριβείς.

Εκπαίδευση και προελεύσεις

Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 8.1 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA A100. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.

Η εκπαίδευση κατανάλωσε ένα σύνολο περίπου 300,000,000,000 κωδικοί κειμένου

Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι: sOTA improvement.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για Nucleotide Transformer

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.

01

Αρχίστε από τη στήλη μνήμης

Ο πίνακας παραθέτει κάθε κάρτα που μπορεί να κρατήσει Nucleotide Transformer, χρειάζεστε γύρω 3.4 GB σε συμπίεση ενός Q8_0. Καμία ποσότητα επεξεργαστικής ισχύος δεν μπορεί να αντισταθμίσει μια κάρτα που δεν μπορεί να την κρατήσει.
02

Ρύθμισε το context length που θα εργαστείς.

Η συζήτηση καταναλώνει μνήμη επίσης, και μεγαλώνει καθώς προχωρά. Ρυθμίστε τον διακόπτη στο μήκος που αναμένετε, γιατί σε μεγάλο context μια κάρτα που χειρίζεται εύκολα σύντομες ερωτήσεις μπορεί να απορριφθεί από Nucleotide Transformer.
03

Αποφασίστε πόση συμπίεση θα αποδεχθείτε

Η Συμπίεση είναι αυτό που καθιστά ένα μοντέλο συμβατό με μικρότερες κάρτες, με κάποιο κόστος στην ακρίβεια., 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.
04

Ταξινόμηση κατά ταχύτητα

Ταξινόμηση κατά ταχύτητα για να δείτε πώς οι ΚΑΡΤΕΣ κατατάσσονται για Nucleotide Transformer. 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 1,355 τοκ/σ.
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 Nucleotide Transformer. 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.
06

Έλεγξε την κάρτα από την άλλη πλευρά

Κάθε σελίδα κάρτας επαναλαμβάνει αυτή τη διαδικασία για κάθε μοντέλο που διαθέτουμε, απαντώντας σε το τι άλλο είναι καλό για το υλικό πέρα από Nucleotide Transformer.

Απαντήσεις

Nucleotide Transformer — κοινές ερωτήσεις

Nucleotide Transformer— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε January 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.

Nucleotide Transformer— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Biology, και καταγράφεται ως διαχείριση της εργασίας του protein or nucleotide language model (pLM/nLM), Nucleotide generation. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.

Nucleotide Transformer— 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.

Nucleotide Transformer— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;

Η εκπαίδευση κατανάλωσε περίπου 8.1 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA A100. 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.

Nucleotide Transformer— μπορώ να το τρέξω αν δεν χωράει στην GPU μου;

Μόνο μέσω της εκφόρτωσης, η οποία είναι συνήθως μια ψευδής οικονομία: το μέρος που κρατιέται στη μνήμη του συστήματος τραβάει όλο το πράγμα κάτω. Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

Nucleotide Transformer— θα τρέξουν δύο GPU πιο γρήγορα;

Η ικανότητα προστίθεται σε κάρτες; η απόδοση δεν προστίθεται. Ο αριθμός των καρτών που το κρατούν ήδη μόνες τους: 818. Έτσι, μια δεύτερη κάρτα σπάνια είναι η απάντηση εδώ.

Nucleotide Transformer— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;

Μια μεγαλύτερη ΚΑΡΤΑ συγκρατεί μια πιο ακριβή αντίγραφο. Ο αριθμός των επιπέδων συμπίεσης που χρησιμοποιούνται στις ΚΑΡΤΕΣ που την εκτελούν: 1. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

Nucleotide Transformer— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Αυτές είναι εκτιμήσεις με πραγματικά περιθώρια σφάλματος, και οποιαδήποτε από αυτές θα μπορούσε λογικά να βρεθεί οπουδήποτε εντός της δημοσιευμένης περιοχής της, ανάλογα με το ποιο τρέξιμο χρησιμοποιείτε. Το ταχύτερο αποτέλεσμα εδώ: 813–2,168 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.

Nucleotide Transformer— 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 3.4 GB, και παράγει περίπου 14.8 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 818.

Nucleotide Transformer— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 1,355 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: 783.

Nucleotide Transformer— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 3.4 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.

Nucleotide Transformer— 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 3.4 GB και παράγοντας περίπου 252 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Nucleotide Transformer— 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 3.4 GB και παράγοντας περίπου 155 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Nucleotide Transformer— 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 3.4 GB και παράγοντας περίπου 191 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Nucleotide Transformer— 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 3.4 GB και παράγοντας περίπου 227 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

Nucleotide Transformer— 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.

Nucleotide Transformer— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 2.5B. "We built four distinct foundation language models of different sizes, ranging from 500M up to 2.5B 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.

Nucleotide Transformer— ποιος το δημιούργησε;

Δημοσιεύθηκε από NVIDIA,Technical University of Munich,InstaDeep, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry,Academia,Industry.

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