HyenaDNA calculadora TPS

Abre pesos Stanford University,Harvard University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal 6.6M parámetros June 2023

Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..

Calculado para este modelo

818 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · Q8_0 · 5,585 tok/s

Tarjeta más rápida

B200

513,369 tok/s · 180 GB

¿Qué GPU pueden ejecutar? HyenaDNA?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

818 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
513,369 tok/s 308,021–821,390 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Cómodo
513,369 tok/s 308,021–821,390 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Cómodo
409,938 tok/s 245,963–655,901 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Cómodo
409,938 tok/s 245,963–655,901 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Cómodo
327,850 tok/s 196,710–524,560 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
313,797 tok/s 188,278–502,075 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Cómodo
313,797 tok/s 188,278–502,075 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Cómodo
300,321 tok/s 180,193–480,513 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Cómodo
266,535 tok/s 159,921–426,456 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
266,535 tok/s 159,921–426,456 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
266,535 tok/s 159,921–426,456 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Cómodo
252,834 tok/s 151,701–404,535 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
215,615 tok/s 129,369–344,984 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
215,615 tok/s 129,369–344,984 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Cómodo
215,615 tok/s 129,369–344,984 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
215,615 tok/s 129,369–344,984 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
215,615 tok/s 129,369–344,984 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo
164,175 tok/s 98,505–262,681 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Cómodo
164,175 tok/s 98,505–262,681 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Cómodo
136,813 tok/s 82,088–218,901 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
133,893 tok/s 80,336–214,229 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Cómodo
130,909 tok/s 78,545–209,455 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Cómodo
130,909 tok/s 78,545–209,455 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Cómodo
130,909 tok/s 78,545–209,455 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Cómodo
130,909 tok/s 78,545–209,455 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 GB	Q8_0	Cómodo

Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..

En registro

especificación completa

Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..

Origen

Quién construyó este modelo, dónde, y cuándo fue publicado.

Organización: Stanford University,Harvard University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal
Tipo de Organización: Academia,Academia,Academia,Academia
País: United States of America, Canada
Publicado: 27 June 2023
Autores: Eric Nguyen, Michael Poli, Marjan Faizi, Armin W. Thomas, Callum Birch Sykes, Michael Wornow, Aman Patel, Clayton Rabideau, Stefano Massaroli, Yoshua Bengio, Stefano Ermon, Stephen A. Baccus, Christopher Ré

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Biology
Tarea: Protein or nucleotide language model (pLM/nLM)
Formato numérico: FP16

Tamaño

Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.

parámetros: 6.6M
Datos de entrenamiento: 2,945,000,000 tokens
Épocas: 679.12
Tamaño de lote: 64,000,000

Cómputo de entrenamiento

La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.

Cómputo de entrenamiento: 1.8 × 10²¹ FLOP
Cómo se estableció: Hardware

La ejecución de entrenamiento

Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.

Hardware de entrenamiento: NVIDIA A100
Chips utilizados: 8
Tiempo de reloj: 672 hours (28 days)
Consumo de energía: 6.4 kW
Costo de cómputo: $5,000

Disponibilidad

Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.

Pesos: Open — downloadable
Acceso al modelo: Open weights (restricted use)
Código de entrenamiento: Open source
Hugging Face: LongSafari

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Por qué se rastrea: SOTA improvement
Confianza de registro: Confident
Citas: 477

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan HyenaDNA

Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..

Las GPUs más pequeñas que aún funcionan HyenaDNA

La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..

Qué significan los números

El lado de hardware

Mínima tarjeta

Tesla C1080

Memoria necesaria

0.7 GB

Más rápido

513,369 tok/s

HyenaDNA llega a un recuento de parámetros de 6.6M. Eso es lo suficientemente pequeño como para que el hardware rara vez sea el obstáculo, incluso en tarjetas de varios años. El número de tarjetas que rastreamos que pueden ejecutarlo: 818.

En el extremo bajo, se maneja por Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 5,585 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 513,369 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

De dónde vino

HyenaDNA fue publicado por Stanford University,Harvard University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, en el país registrado como United States of America, durante June 2023. Sale de una organización categorizada como academia,Academia,Academia,Academia.

Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización LongSafari.

Entendiendo las velocidades

El resultado mediano es alrededor de 14,415.4 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 818 de ellos.

Siendo denso, lee todo de sí mismo por token, razón por la cual el orden según velocidad a continuación sigue tan de cerca el orden por ancho de banda de memoria.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Cómo fue entrenado

Producirlo requirió una aritmética que totaliza alrededor de 1.8 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El entrenamiento consumió un corpus de alrededor de 2,945,000,000 tokens de texto

Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.

Paso a paso

Cómo elegir una GPU para HyenaDNA

La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..

01

Comienza desde la columna de memoria

La tabla enumera cada tarjeta capaz de contener HyenaDNA, necesitando alrededor 0.7 GB a una compresión de Q8_0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
02

Ajusta el contexto a tu uso actual

Las conversaciones más largas consumen memoria además de lo que los pesos necesitan. Mueve el control deslizante a tu longitud de trabajo real antes de confiar en cualquier fila para HyenaDNA.
03

Elige cuán lejos lo comprimirás.

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q8_0 en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
04

Ordenar por velocidad

El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para HyenaDNA. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 513,369 tok/s
05

Verifica el veredicto de ajuste antes de comprar

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de HyenaDNA. Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
06

Mira qué más ejecuta esa tarjeta

Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de HyenaDNA.

Respuestas

HyenaDNA — preguntas comunes

HyenaDNA— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

HyenaDNA— ¿Qué tan precisas son estas estimaciones de velocidad?

Cada cifra se deriva del ancho de banda de VRAM y del tamaño del modelo, no está basado en benchmarks, por lo que cada una se publica como un rango en lugar de un solo número. Un ejemplo: 308,021–821,390 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

HyenaDNA— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla C1080, con una capacidad de memoria de 4 GB. Funciona el modelo a una compresión de Q8_0 usando alrededor 0.7 GB, y produce aproximadamente 5,585 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

HyenaDNA— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 513,369 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 818.

HyenaDNA— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.7 GB a una compresión de Q8_0, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.

HyenaDNA— ¿Puedo ejecutarlo en una GPU que tiene? 8 GB?

Sí. La tarjeta CMP 170HX 8 GB, sosteniendo 8 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 0.7 GB y generando aproximadamente 95,615 tokens por segundo. El ajuste es cómodo.

HyenaDNA— ¿Puedo ejecutarlo en una GPU que tiene? 12 GB?

Sí. La tarjeta GeForce RTX 3080 Ti, sosteniendo 12 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 0.7 GB y generando aproximadamente 58,550 tokens por segundo. El ajuste es cómodo.

HyenaDNA— ¿Puedo ejecutarlo en una GPU que tiene? 16 GB?

Sí. La tarjeta Tesla V100 SXM2 16 GB, sosteniendo 16 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 0.7 GB y generando aproximadamente 72,513 tokens por segundo. El ajuste es cómodo.

HyenaDNA— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?

Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 0.7 GB y generando aproximadamente 85,989 tokens por segundo. El ajuste es cómodo.

HyenaDNA— ¿Es de código abierto?

Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.

HyenaDNA— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 6.6M. Table A.1 shows details, largest experiment is on far right. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.

HyenaDNA— ¿Quién lo creó?

Fue publicado por Stanford University,Harvard University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, basado en United States of America, una organización categorizada como academia,Academia,Academia,Academia.

HyenaDNA— ¿cuándo fue lanzado?

Se publicó en June 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.

HyenaDNA— ¿Para qué se utiliza?

Funciona en el dominio de Biology, y se registra como manejando la tarea de protein or nucleotide language model (pLM/nLM). Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.

HyenaDNA— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización LongSafari. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

HyenaDNA— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 1.8 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.

HyenaDNA— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

HyenaDNA— ¿Correrían dos GPUS más rápido?

Una segunda tarjeta duplica aproximadamente la memoria disponible, pero no la tasa de generación. El número ya capaz de ejecutarlo solo: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Origen

Publicación original

Última actualización registrada 25 May 2026

La otra dirección

¿Mirándolo desde el otro lado?

Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.

Todos los modelos de IA