ProGen2-xlarge calculadora TPS

Abre pesos Salesforce Research,Columbia University,Johns Hopkins University 6.4B parámetros June 2022

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

589 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla K20c

5 GB · IQ4_XS · 28.7 tok/s

Tarjeta más rápida

B200

529 tok/s · 180 GB

¿Qué GPU pueden ejecutar? ProGen2-xlarge?

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.

589 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
529 tok/s 318–847 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	7.6 GB	Q8_0	Cómodo
529 tok/s 318–847 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	7.6 GB	Q8_0	Cómodo
423 tok/s 254–676 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	7.6 GB	Q8_0	Cómodo
423 tok/s 254–676 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	7.6 GB	Q8_0	Cómodo
338 tok/s 203–541 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	7.6 GB	Q8_0	Cómodo
324 tok/s 194–518 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.6 GB	Q8_0	Cómodo
324 tok/s 194–518 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.6 GB	Q8_0	Cómodo
310 tok/s 186–496 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	7.6 GB	Q8_0	Cómodo
275 tok/s 165–440 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Cómodo
275 tok/s 165–440 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Cómodo
275 tok/s 165–440 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Cómodo
261 tok/s 156–417 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	7.6 GB	Q8_0	Cómodo
222 tok/s 133–356 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Cómodo
222 tok/s 133–356 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	7.6 GB	Q8_0	Cómodo
222 tok/s 133–356 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Cómodo
222 tok/s 133–356 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Cómodo
222 tok/s 133–356 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Cómodo
169 tok/s 102–271 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	7.6 GB	Q8_0	Cómodo
169 tok/s 102–271 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	7.6 GB	Q8_0	Cómodo
143 tok/s 86–229 · baja confianza	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.1 GB	Q6_K	Ajustado
141 tok/s 85–226 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	7.6 GB	Q8_0	Cómodo
138 tok/s 83–221 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	7.6 GB	Q8_0	Cómodo
135 tok/s 81–216 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	7.6 GB	Q8_0	Cómodo
135 tok/s 81–216 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	7.6 GB	Q8_0	Cómodo
135 tok/s 81–216 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	7.6 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: Salesforce Research,Columbia University,Johns Hopkins University
Tipo de Organización: Industry,Academia,Academia
País: United States of America
Publicado: 27 June 2022
Autores: Erik Nijkamp, Jeffrey Ruffolo, Eli N. Weinstein, Nikhil Naik, Ali Madani

Lo que hace

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

Dominio: Biology
Tarea: Proteins, Protein generation, Protein or nucleotide language model (pLM/nLM)
Enfoque: Self-supervised learning

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: 6.4B
Datos de entrenamiento: 350,000,000,000 tokens

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: 1.4 × 10²² FLOP
Cómo se estableció: Hardware,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 v3
Costo de cómputo: $11,850

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 (unrestricted)
Código de entrenamiento: Unreleased

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: 507

Fuentes

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

Referencia: ProGen2: Exploring the Boundaries of Protein Language Models
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan ProGen2-xlarge

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 ProGen2-xlarge

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 K20c

Memoria necesaria

4.2 GB

Más rápido

529 tok/s

ProGen2-xlarge llega a un recuento de parámetros de 6.4B. 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: 589.

En el extremo bajo, se maneja por Tesla K20c, con una capacidad de memoria de 5 GB, ejecutándolo a una compresión de IQ4_XS y produciendo alrededor 28.7 tokens por segundo

El resultado más rápido proviene de B200, generando aproximadamente 529 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

ProGen2-xlarge fue publicado por Salesforce Research,Columbia University,Johns Hopkins University, en el país registrado como United States of America, durante June 2022. Sale de una organización categorizada como industry,Academia,Academia.

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

El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.

Qué tan rápido corre, y por qué

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 26.4 tokens por segundo. Excediendo velocidad de lectura directamente: 562 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.

Sin el diseño de atención en nuestro archivo, la columna de memoria es una aproximación. Es lo suficientemente cercana como para elegir hardware, y menos confiable en contexto largo.

Entrenamiento y procedencia

El entrenamiento consumió alrededor de 1.4 × 10²² FLOP, en hardware registrado como Google TPU v3. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

El conjunto de entrenamiento se ejecutó a aproximadamente 350,000,000,000 tokens de texto

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

Paso a paso

Cómo elegir una GPU para ProGen2-xlarge

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

Lee la cifra de MEMORIA primero

Cada tarjeta aquí ha sido verificada contra ProGen2-xlarge, necesitando alrededor 4.2 GB a una compresión de IQ4_XS. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
02

Establece la longitud de contexto en la que trabajarás.

La conversación ocupa memoria también, y crece a medida que avanza. Ajusta el controlador a la longitud que esperas, porque en un contexto largo una CARD que maneja preguntas cortas fácilmente puede no encajar. ProGen2-xlarge.
03

Establecer un umbral de calidad

La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa., alcanzando una compresión de IQ4_XS 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 ProGen2-xlarge. 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 529 tok/s
05

Mira el margen, no solo la compatibilidad.

Un ajuste apretado se ejecuta, pero no deja nada de sobra para una conversación más larga, en el caso de ProGen2-xlarge. 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

Abre la tarjeta que has elegido.

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. ProGen2-xlarge.

Respuestas

ProGen2-xlarge — preguntas comunes

ProGen2-xlarge— ¿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. El fallo más cercano que calculamos se queda corto por 1.0 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

ProGen2-xlarge— ¿Correrían dos GPUS más rápido?

Dos tarjetas compran memoria en lugar de velocidad, lo cual solo importa si una tarjeta no puede contenerlo. El número que puede: 589. Así que una segunda tarjeta rara vez es la respuesta aquí.

ProGen2-xlarge— ¿Por qué difiere la cuantificación entre tarjetas?

Una tarjeta más grande sostiene una copia más precisa. El número de niveles de compresión utilizados en las tarjetas que la ejecutan: 4. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

ProGen2-xlarge— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 318–847 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.

ProGen2-xlarge— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla K20c, con una capacidad de memoria de 5 GB. Funciona el modelo a una compresión de IQ4_XS usando alrededor 4.2 GB, y produce aproximadamente 28.7 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 589.

ProGen2-xlarge— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 529 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: 562.

ProGen2-xlarge— ¿Cuánta VRAM necesita?

Necesita aproximadamente 4.2 GB a una compresión de IQ4_XS, 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.

ProGen2-xlarge— ¿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 Q6_K, usando alrededor 6.1 GB y generando aproximadamente 143 tokens por segundo. El ajuste es ajustado.

ProGen2-xlarge— ¿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 7.6 GB y generando aproximadamente 60.4 tokens por segundo. El ajuste es cómodo.

ProGen2-xlarge— ¿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 7.6 GB y generando aproximadamente 74.8 tokens por segundo. El ajuste es cómodo.

ProGen2-xlarge— ¿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 7.6 GB y generando aproximadamente 88.7 tokens por segundo. El ajuste es cómodo.

ProGen2-xlarge— ¿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.

ProGen2-xlarge— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 6.4B. "We introduce a suite of protein language models, named ProGen2, that are scaled up to 6.4B parameters". 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.

ProGen2-xlarge— ¿Quién lo creó?

Fue publicado por Salesforce Research,Columbia University,Johns Hopkins University, basado en United States of America, una organización categorizada como industry,Academia,Academia.

ProGen2-xlarge— ¿cuándo fue lanzado?

Se publicó en June 2022. 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.

ProGen2-xlarge— ¿Para qué se utiliza?

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

ProGen2-xlarge— ¿Dónde puedo descargarlo?

Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.

ProGen2-xlarge— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 1.4 × 10²² FLOP, en hardware registrado como Google TPU v3. 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.

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