OntoProtein calculadora TPS

Abre pesos Zhejiang University (ZJU) 420M parámetros January 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

818 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · Q8_0 · 87.8 tok/s

Tarjeta más rápida

B200

8,067 tok/s · 180 GB

¿Qué GPU pueden ejecutar? OntoProtein?

Establecer las entradas, leer la respuesta

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

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

818 las tarjetas coinciden

Calculando
Necesita Cuantización Ajustar
8,067 tok/s

4,840–12,908 · baja confianza

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

4,840–12,908 · baja confianza

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

3,865–10,307 · baja confianza

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

3,865–10,307 · baja confianza

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

3,091–8,243 · baja confianza

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

2,959–7,890 · baja confianza

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

2,959–7,890 · baja confianza

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

2,832–7,551 · baja confianza

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

2,513–6,701 · baja confianza

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

2,513–6,701 · baja confianza

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

2,513–6,701 · baja confianza

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

2,384–6,357 · baja confianza

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

2,033–5,421 · baja confianza

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

2,033–5,421 · baja confianza

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

2,033–5,421 · baja confianza

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

2,033–5,421 · baja confianza

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

2,033–5,421 · baja confianza

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

1,548–4,128 · baja confianza

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

1,548–4,128 · baja confianza

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

1,290–3,440 · baja confianza

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

1,262–3,366 · baja confianza

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

1,234–3,291 · baja confianza

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

1,234–3,291 · baja confianza

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

1,234–3,291 · baja confianza

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

1,234–3,291 · baja confianza

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
Zhejiang University (ZJU)
Tipo de Organización
Academia
País
China
Publicado
23 January 2022
Autores
Ningyu Zhang, Zhen Bi, Xiaozhuan Liang, Siyuan Cheng, Shumin Deng, Qiang Zhang, Jiazhang Lian, Huajun Chen, Haosen Hong

Lo que hace

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

Dominio
Biology, Language
Tarea
Proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning
Modelo base
ProtBERT-BFD
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
420M

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

Datos de entrenamiento
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

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
Open source

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

Hugging Face
zjunlp

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

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.

Confianza de registro
Likely

Fuentes

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

Referencia
ONTOPROTEIN: PROTEIN PRETRAINING WITH GENE ONTOLOGY EMBEDDING
Última actualización
28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan OntoProtein

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..

  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

Las GPUs más pequeñas que aún funcionan OntoProtein

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..

  1. 01 GeForce RTX 4010 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 96.8 tok/s
  2. 02 RTX A400 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 96.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 129 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 194 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 34.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 101 tok/s
  7. 07 Radeon RX 6550M 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 113 tok/s
  8. 08 Radeon RX 6550S 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 101 tok/s
  9. 09 Arc A310 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 81.3 tok/s
  10. 10 Arc Pro A30M 4 GB · Necesita 1.1 GB · Q8_0 · Cómodo 83.9 tok/s

Qué significan los números

Lo que necesitas para ejecutar esto

Mínima tarjeta

Tesla C1080

Memoria necesaria

1.1 GB

Más rápido

8,067 tok/s

OntoProtein llega a un recuento de parámetros de 420M. 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 87.8 tokens por segundo

Gama alta es B200, generando aproximadamente 8,067 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Qué es este modelo

OntoProtein fue publicado por Zhejiang University (ZJU), en el país registrado como China, durante January 2022. Sale de una organización categorizada como academia.

Funciona en el dominio de Biology, Language, y se registra como realizando la tarea de proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning.

Se basa en ProtBERT-BFD. Esa es la forma habitual en que se produce un modelo especializado.

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 zjunlp.

Qué decide la velocidad

El resultado mediano es alrededor de 226.5 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 817 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.

Cómo fue entrenado

El entrenamiento consumió un corpus de alrededor de 2,868,520,960 tokens de texto

Su criterio de inclusión: sOTA improvement.

Paso a paso

Cómo elegir una GPU para OntoProtein

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..

  1. 01

    Lee la cifra de MEMORIA primero

    Cada tarjeta aquí ha sido verificada contra OntoProtein, necesitando alrededor 1.1 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.

  2. 02

    Decide cuánto duran tus conversaciones.

    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. OntoProtein.

  3. 03

    Decide cuánto compresión aceptarás

    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.

  4. 04

    Compara tokens por segundo, no especificaciones

    Ordenar por velocidad para ver cómo se clasifican las tarjetas por OntoProtein. 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 8,067 tok/s

  5. 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 OntoProtein. 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.

  6. 06

    Revisa la tarjeta del otro lado

    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. OntoProtein.

Respuestas

OntoProtein — preguntas comunes

01

OntoProtein— ¿Cuánta VRAM necesita?

Necesita aproximadamente 1.1 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.

02

OntoProtein— ¿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 1.1 GB y generando aproximadamente 1,503 tokens por segundo. El ajuste es cómodo.

03

OntoProtein— ¿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 1.1 GB y generando aproximadamente 920 tokens por segundo. El ajuste es cómodo.

04

OntoProtein— ¿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 1.1 GB y generando aproximadamente 1,140 tokens por segundo. El ajuste es cómodo.

05

OntoProtein— ¿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 1.1 GB y generando aproximadamente 1,351 tokens por segundo. El ajuste es cómodo.

06

OntoProtein— ¿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.

07

OntoProtein— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 420M. "For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020).". 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.

08

OntoProtein— ¿Quién lo creó?

Fue publicado por Zhejiang University (ZJU), basado en China, una organización categorizada como academia.

09

OntoProtein— ¿cuándo fue lanzado?

Se publicó en January 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.

10

OntoProtein— ¿Para qué se utiliza?

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

11

OntoProtein— ¿Dónde puedo descargarlo?

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

12

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

Se puede dividir entre la tarjeta y la memoria del sistema, pero se genera muy lentamente de esa manera. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

13

OntoProtein— ¿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: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

14

OntoProtein— ¿Por qué difiere la cuantificación entre tarjetas?

Debido a que la capacidad varía, también varía cuán difícil tiene que ser exprimido. El número de niveles distintos en la tabla de arriba: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

15

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

Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: 4,840–12,908 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.

16

OntoProtein— ¿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 1.1 GB, y produce aproximadamente 87.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

17

OntoProtein— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 8,067 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: 817.

Origen

Publicación original

Última actualización registrada 28 November 2025

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