OntoProtein Υπολογιστής TPS

Ανοιχτά βάρη Zhejiang University (ZJU) 420M παράμετροι January 2022

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 · 87.8 tok/s

Ταχύτερη κάρτα

B200

8,067 tok/s · 180 GB

Ποιες GPU μπορούν να τρέξουν OntoProtein?

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
8,067 tok/s

4,840–12,908 · χαμηλή εμπιστοσύνη

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Άνετο
8,067 tok/s

4,840–12,908 · χαμηλή εμπιστοσύνη

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Άνετο
6,442 tok/s

3,865–10,307 · χαμηλή εμπιστοσύνη

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Άνετο
6,442 tok/s

3,865–10,307 · χαμηλή εμπιστοσύνη

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Άνετο
5,152 tok/s

3,091–8,243 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Άνετο
4,931 tok/s

2,959–7,890 · χαμηλή εμπιστοσύνη

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Άνετο
4,931 tok/s

2,959–7,890 · χαμηλή εμπιστοσύνη

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Άνετο
4,719 tok/s

2,832–7,551 · χαμηλή εμπιστοσύνη

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Άνετο
4,188 tok/s

2,513–6,701 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Άνετο
4,188 tok/s

2,513–6,701 · χαμηλή εμπιστοσύνη

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Άνετο
4,188 tok/s

2,513–6,701 · χαμηλή εμπιστοσύνη

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Άνετο
3,973 tok/s

2,384–6,357 · χαμηλή εμπιστοσύνη

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Άνετο
3,388 tok/s

2,033–5,421 · χαμηλή εμπιστοσύνη

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Άνετο
3,388 tok/s

2,033–5,421 · χαμηλή εμπιστοσύνη

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Άνετο
3,388 tok/s

2,033–5,421 · χαμηλή εμπιστοσύνη

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Άνετο
3,388 tok/s

2,033–5,421 · χαμηλή εμπιστοσύνη

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Άνετο
3,388 tok/s

2,033–5,421 · χαμηλή εμπιστοσύνη

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Άνετο
2,580 tok/s

1,548–4,128 · χαμηλή εμπιστοσύνη

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Άνετο
2,580 tok/s

1,548–4,128 · χαμηλή εμπιστοσύνη

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Άνετο
2,150 tok/s

1,290–3,440 · χαμηλή εμπιστοσύνη

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Άνετο
2,104 tok/s

1,262–3,366 · χαμηλή εμπιστοσύνη

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Άνετο
2,057 tok/s

1,234–3,291 · χαμηλή εμπιστοσύνη

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Άνετο
2,057 tok/s

1,234–3,291 · χαμηλή εμπιστοσύνη

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Άνετο
2,057 tok/s

1,234–3,291 · χαμηλή εμπιστοσύνη

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Άνετο
2,057 tok/s

1,234–3,291 · χαμηλή εμπιστοσύνη

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
Zhejiang University (ZJU)
Τύπος οργανισμού
Academia
Χώρα
China
Δημοσιευμένο
23 January 2022
Συγγραφείς
Ningyu Zhang, Zhen Bi, Xiaozhuan Liang, Siyuan Cheng, Shumin Deng, Qiang Zhang, Jiazhang Lian, Huajun Chen, Haosen Hong

Τι κάνει

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

τομέας
Biology, Language
Εργασία
Proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning
Βασικό μοντέλο
ProtBERT-BFD
Αριθμητική μορφή
FP16

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
420M

"For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020)."

Δεδομένα εκπαίδευσης
2,868,520,960 tokens

Data Summary: - Protein tokens: 488,000 × 300 = 1.464 × 10^8 - GO term tokens: 612,483 × 20 = 1.224966 × 10^7 - Knowledge graph triples: 4,990,097 Total: (1.464 × 10^8 + 1.224966 × 10^7 + 4.99 × 10^6) ≈ 1.626 × 10^8 data points

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 (unrestricted)
Κωδικός εκπαίδευσης
Open source

MIT license https://github.com/zjunlp/OntoProtein unclear license https://huggingface.co/zjunlp/OntoProtein

Αγκαλιάζοντας το Πρόσωπο
zjunlp

Πώς ταξινομείται

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

Γιατί παρακολουθείται
SOTA improvement

Not absolute SOTA, outperforms protein-language models but not MSA transformer. Experimental results show that OntoProtein can surpass state-of-the-art methods with pre-trained protein language models in TAPE benchmark and yield better performance compared with baselines in protein-protein interaction and protein function prediction1.

Εγγραφή εμπιστοσύνης
Likely

Πηγές

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

Αναφορά
ONTOPROTEIN: PROTEIN PRETRAINING WITH GENE ONTOLOGY EMBEDDING
Τελευταία ενημέρωση
28 November 2025

Οι ακραίοι

Οι δέκα ταχύτερες GPUs που τρέχουν OntoProtein

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 8,067 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,152 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,719 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,188 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,188 tok/s

Οι μικρότερες GPUs που ακόμη λειτουργούν OntoProtein

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 1.1 GB · Q8_0 · Άνετο 96.8 tok/s
  2. 02 RTX A400 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 96.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 129 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 194 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 34.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 101 tok/s
  7. 07 Radeon RX 6550M 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 113 tok/s
  8. 08 Radeon RX 6550S 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 101 tok/s
  9. 09 Arc A310 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 81.3 tok/s
  10. 10 Arc Pro A30M 4 GB · Χρειάζεται 1.1 GB · Q8_0 · Άνετο 83.9 tok/s

Τι σημαίνουν οι αριθμοί

Τι χρειάζεσαι για να το τρέξεις

Ελάχιστη κάρτα

Tesla C1080

Μνήμη που απαιτείται

1.1 GB

Ταχύτερος

8,067 tok/s

OntoProtein φτάνει σε αριθμό παραμέτρων του 420M. 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.

Ο ελάχιστος εξοπλισμός που λειτουργεί είναι Tesla C1080, με χωρητικότητα μνήμης 4 GB, τρέχοντας το σε μια συμπίεση του Q8_0 και παράγοντας περίπου 87.8 tokens ανά δευτερόλεπτο

Κορυφαία κατηγορία είναι B200, γεννά προσεγγιστικά 8,067 tokens ανά δευτερόλεπτο με βάση τη μνήμη bandwidth ενός 8,000 GB/s.

Τι είναι αυτό το μοντέλο

OntoProtein δημοσιεύθηκε από Zhejiang University (ZJU), στην χώρα καταγεγραμμένη ως China, κατά τη διάρκεια January 2022. Προέρχεται από έναν οργανισμό που κατατάσσεται ως academia.

Λειτουργεί στον τομέα της Biology, Language, και καταγράφεται ότι εκτελεί την εργασία του proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning.

Βασίζεται σε ProtBERT-BFD. Αυτή είναι η συνηθισμένη διαδικασία παραγωγής ενός εξειδικευμένου μοντέλου.

Τα βάρη είναι δημοσιευμένα, έτσι ώστε να μπορούν να κατεβούν και να τρέξουν στον δικό σας υπολογιστή επ' αόριστον, εκτός σύνδεσης, χωρίς λογαριασμό συνδεδεμένο. Στο Hugging Face δημοσιεύεται υπό την οργάνωση zjunlp.

Τι αποφασίζει την ταχύτητα

Η διάμεση τιμή είναι γύρω από 226.5 δεκάδες ανά δευτερόλεπτο 817 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.

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.

Πώς εκπαιδεύτηκε

Η εκπαίδευση κατανάλωσε ένα σύνολο περίπου 2,868,520,960 κωδικοί κειμένου

Το κριτήριο συμπερασμού του: sOTA improvement.

Βήμα προς βήμα

Πώς να επιλέξετε μια GPU για OntoProtein

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

    Κάθε κάρτα εδώ έχει ελεγχθεί σε σχέση με OntoProtein, χρειάζεστε γύρω 1.1 GB σε συμπίεση ενός Q8_0. Η Χωρητικότητα είναι η πύλη — μια κάρτα είτε την κρατά είτε δεν την κρατά.

  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. OntoProtein.

  3. 03

    Αποφασίστε πόση συμπίεση θα αποδεχθείτε

    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 OntoProtein. 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 8,067 τοκ/σ.

  5. 05

    Ελέγξτε την απόφαση κατάλληλης εφαρμογής πριν από την αγορά

    Η στήλη καταλληλότητας χωρίζει τις κάρτες που απλά τα καταφέρνουν από αυτές που έχουν περιθώριο, στην περίπτωση του OntoProtein. 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

    Έλεγξε την κάρτα από την άλλη πλευρά

    Ακολουθώντας μια κάρτα μέχρι τη δική της σελίδα δείχνει κάθε άλλο μοντέλο που μπορεί να κρατήσει, το οποίο είναι το ερώτημα που προκύπτει μόλις αποφασίσετε για OntoProtein.

Απαντήσεις

OntoProtein — κοινές ερωτήσεις

01

OntoProtein— πόσο VRAM χρειάζεται;

Χρειάζεται περίπου 1.1 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.

02

OntoProtein— 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 1.1 GB και παράγοντας περίπου 1,503 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

03

OntoProtein— 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 1.1 GB και παράγοντας περίπου 920 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

04

OntoProtein— 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 1.1 GB και παράγοντας περίπου 1,140 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

05

OntoProtein— 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 1.1 GB και παράγοντας περίπου 1,351 εγγραφές ανά δευτερόλεπτο. Η εφαρμογή είναι άνετη.

06

OntoProtein— 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.

07

OntoProtein— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 420M. "For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020).". 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.

08

OntoProtein— ποιος το δημιούργησε;

Δημοσιεύθηκε από Zhejiang University (ZJU), βασισμένο σε China, μία οργάνωση κατηγοριοποιημένη ως academia.

09

OntoProtein— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε January 2022. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

10

OntoProtein— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Biology, Language, και καταγράφεται ως διαχείριση της εργασίας του proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.

11

OntoProtein— πού μπορώ να το κατεβάσω;

Τα βάρη του είναι δημοσιευμένα στο Hugging Face, υπό την οργάνωση zjunlp. Δεν φιλοξενούμε αρχεία μοντέλων — αυτός ο ιστότοπος υπολογίζει ποιο υλικό απαιτείται για να τα εκτελέσετε.

12

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

Μπορεί να χωριστεί μεταξύ της κάρτας και της μνήμης του συστήματος, αλλά παράγει επώδυνα αργά με αυτόν τον τρόπο. Κάθε αριθμός εδώ υποθέτει ότι ολόκληρο το μοντέλο είναι εγκατεστημένο στην κάρτα.

13

OntoProtein— 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.

14

OntoProtein— γιατί διαφέρει η ποσοτικοποίηση μεταξύ των καρτών;

Επειδή η χωρητικότητα διαφέρει, έτσι διαφέρει και πόσο σφιχτά πρέπει να συμπιεστεί. Ο αριθμός των διακριτών επιπέδων στον παραπάνω πίνακα: 1. Οι μεγαλύτερες κάρτες παίρνουν την πιο ακριβή έκδοση, και η ποιότητα του δαπέδου πάνω από τις βελονίτσες συγκρατεί τη σύγκριση σε ένα επίπεδο.

15

OntoProtein— πόσο ακριβείς είναι αυτές οι εκτιμήσεις ταχύτητας;

Υπολογίζονται από προδιαγραφές και όχι μετρήσεις, και κάθε μία φέρει μια γκάμα. Ένα παράδειγμα: 4,840–12,908 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.

16

OntoProtein— 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 1.1 GB, και παράγει περίπου 87.8 δεκάρια ανά δευτερόλεπτο. Ο αριθμός των καρτών που είναι ικανές να το εκτελέσουν συνολικά: 818.

17

OntoProtein— πώς γρήγορα είναι σε μια GPU;

Εξαρτάται από την ΚΑΡΤΑ. Ο πιο γρήγορος υπολογισμός που κάνουμε είναι B200, γύρω από 8,067 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: 817.

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