Ankh_large calculadora TPS

Abre pesos Technical University of Munich,Columbia University 1.9B parámetros January 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 · 19.4 tok/s

Tarjeta más rápida

B200

1,783 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Ankh_large?

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
1,783 tok/s 1,070–2,853 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.7 GB	Q8_0	Cómodo
1,783 tok/s 1,070–2,853 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.7 GB	Q8_0	Cómodo
1,424 tok/s 854–2,278 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Cómodo
1,424 tok/s 854–2,278 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Cómodo
1,139 tok/s 683–1,822 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.7 GB	Q8_0	Cómodo
1,090 tok/s 654–1,744 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Cómodo
1,090 tok/s 654–1,744 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Cómodo
1,043 tok/s 626–1,669 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.7 GB	Q8_0	Cómodo
926 tok/s 556–1,481 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Cómodo
926 tok/s 556–1,481 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Cómodo
926 tok/s 556–1,481 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Cómodo
878 tok/s 527–1,405 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.7 GB	Q8_0	Cómodo
749 tok/s 449–1,198 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Cómodo
749 tok/s 449–1,198 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.7 GB	Q8_0	Cómodo
749 tok/s 449–1,198 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Cómodo
749 tok/s 449–1,198 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Cómodo
749 tok/s 449–1,198 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Cómodo
570 tok/s 342–912 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Cómodo
570 tok/s 342–912 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Cómodo
475 tok/s 285–760 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.7 GB	Q8_0	Cómodo
465 tok/s 279–744 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.7 GB	Q8_0	Cómodo
455 tok/s 273–728 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.7 GB	Q8_0	Cómodo
455 tok/s 273–728 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.7 GB	Q8_0	Cómodo
455 tok/s 273–728 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.7 GB	Q8_0	Cómodo
455 tok/s 273–728 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.7 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: Technical University of Munich,Columbia University
Tipo de Organización: Academia,Academia
País: Germany, United States of America
Publicado: 16 January 2023
Autores: Ahmed Elnaggar, Hazem Essam, Wafaa Salah-Eldin, Walid Moustafa, Mohamed Elkerdawy, Charlotte Rochereau, Burkhard Rost

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 generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification

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: 1.9B
Datos de entrenamiento: 14,000,000,000 tokens
Épocas: 68
Tamaño de lote: 524,288

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: 6.5 × 10²¹ FLOP
Cómo se estableció: Operation counting,Third-party estimation

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: Google TPU v4
Chips utilizados: 64
Consumo de energía: 43.5 kW
Costo de cómputo: $4,802

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 (non-commercial)
Código de entrenamiento: Unreleased
Hugging Face: ElnaggarLab

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: 159

Fuentes

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

Referencia: Ankh: Optimized Protein Language Model Unlocks General-Purpose Modelling
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Ankh_large

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 Ankh_large

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

Lo que necesitas para ejecutar esto

Mínima tarjeta

Tesla C1080

Memoria necesaria

2.7 GB

Más rápido

1,783 tok/s

Ankh_large llega a un recuento de parámetros de 1.9B. 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.

El hardware mínimo que funciona es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 19.4 tokens por segundo

Gama alta es B200, generando aproximadamente 1,783 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

Ankh_large fue publicado por Technical University of Munich,Columbia University, en el país registrado como Germany, durante January 2023. La organización editora está clasificada como academia,Academia.

Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta. En Hugging Face está publicado bajo la organización ElnaggarLab.

Qué tan rápido corre, y por qué

La mitad de las tarjetas que lo sostienen gestionan más de 50.1 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 789 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.

Entrenamiento y procedencia

El entrenamiento consumió alrededor de 6.5 × 10²¹ FLOP, en hardware registrado como Google TPU v4. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Fue entrenado en un corpus de aproximadamente 14,000,000,000 tokens de texto

La razón por la que aparece en este catálogo en absoluto: sOTA improvement.

Paso a paso

Cómo elegir una GPU para Ankh_large

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 Ankh_large, necesitando alrededor 2.7 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Establece la longitud de contexto en la que trabajarás.

Establece el contexto a lo que realmente usarás. La caché crece con la conversación, y es la razón habitual por la que una card que parecía bien deja de fit. Ankh_large.
03

Elige cuán lejos lo comprimirás.

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., 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

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Ankh_large. 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 1,783 tok/s
05

Verifica el veredicto de ajuste antes de comprar

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de Ankh_large. 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

Revisa la tarjeta del otro lado

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

Respuestas

Ankh_large — preguntas comunes

Ankh_large— ¿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 2.7 GB y generando aproximadamente 299 tokens por segundo. El ajuste es cómodo.

Ankh_large— ¿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.

Ankh_large— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 1.9B. Figure 1 indicates 1.15B parameters, but both the huggingface model and a replication (https://huggingface.co/ElnaggarLab/ankh-large and https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1.full.pdf) indicate 1.9B parameters. Notebook for counting params: https://colab.research.google.com/drive/1EGI5_vDl4pOBUukJexMHQR16BFKJe4a5?usp=sharing. 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.

Ankh_large— ¿Quién lo creó?

Fue publicado por Technical University of Munich,Columbia University, basado en Germany, una organización categorizada como academia,Academia.

Ankh_large— ¿cuándo fue lanzado?

Se publicó en January 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.

Ankh_large— ¿Para qué se utiliza?

Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

Ankh_large— ¿Dónde puedo descargarlo?

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

Ankh_large— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 6.5 × 10²¹ FLOP, en hardware registrado como Google TPU v4. 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.

Ankh_large— ¿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.

Ankh_large— ¿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.

Ankh_large— ¿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.

Ankh_large— ¿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: 1,070–2,853 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.

Ankh_large— ¿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 2.7 GB, y produce aproximadamente 19.4 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Ankh_large— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 1,783 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: 789.

Ankh_large— ¿Cuánta VRAM necesita?

Necesita aproximadamente 2.7 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.

Ankh_large— ¿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 2.7 GB y generando aproximadamente 332 tokens por segundo. El ajuste es cómodo.

Ankh_large— ¿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 2.7 GB y generando aproximadamente 203 tokens por segundo. El ajuste es cómodo.

Ankh_large— ¿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 2.7 GB y generando aproximadamente 252 tokens por segundo. El ajuste es cómodo.

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