ChemBERTa calculadora TPS

Abre pesos University of Toronto,Reverie Labs,DeepChem 125M parámetros October 2020

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 · 295 tok/s

Tarjeta más rápida

B200

27,106 tok/s · 180 GB

¿Qué GPU pueden ejecutar? ChemBERTa?

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
27,106 tok/s 16,264–43,369 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Cómodo
27,106 tok/s 16,264–43,369 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Cómodo
21,645 tok/s 12,987–34,632 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
21,645 tok/s 12,987–34,632 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Cómodo
17,310 tok/s 10,386–27,697 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
16,568 tok/s 9,941–26,510 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
16,568 tok/s 9,941–26,510 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Cómodo
15,857 tok/s 9,514–25,371 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Cómodo
14,073 tok/s 8,444–22,517 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
14,073 tok/s 8,444–22,517 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
14,073 tok/s 8,444–22,517 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Cómodo
13,350 tok/s 8,010–21,359 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
11,384 tok/s 6,831–18,215 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
11,384 tok/s 6,831–18,215 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Cómodo
11,384 tok/s 6,831–18,215 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
11,384 tok/s 6,831–18,215 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
11,384 tok/s 6,831–18,215 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Cómodo
8,668 tok/s 5,201–13,870 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
8,668 tok/s 5,201–13,870 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Cómodo
7,224 tok/s 4,334–11,558 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
7,070 tok/s 4,242–11,311 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Cómodo
6,912 tok/s 4,147–11,059 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Cómodo
6,912 tok/s 4,147–11,059 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Cómodo
6,912 tok/s 4,147–11,059 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Cómodo
6,912 tok/s 4,147–11,059 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: University of Toronto,Reverie Labs,DeepChem
Tipo de Organización: Academia,Industry,Industry
País: Canada, United States of America
Publicado: 23 October 2020
Autores: Seyone Chithrananda, Gabriel Grand, Bharath Ramsundar

Lo que hace

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

Dominio: Biology
Tarea: Molecular property prediction

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: 125M
Datos de entrenamiento: 225,000,000 tokens
Épocas: 3

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: 8.5 × 10¹⁸ FLOP
Cómo se estableció: Operation counting,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 V100
Chips utilizados: 1
Tiempo de reloj: 48 hours
Consumo de energía: 335 W

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)
Hugging Face: seyonec

Cómo está clasificado

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

Confianza de registro: Likely

Fuentes

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

Referencia: ChemBERTa: Large-Scale Self-Supervised Pretraining for Molecular Property Prediction
Última actualización: 28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan ChemBERTa

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 ChemBERTa

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

0.8 GB

Más rápido

27,106 tok/s

ChemBERTa llega a un recuento de parámetros de 125M. 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 295 tokens por segundo

El resultado más rápido proviene de B200, generando aproximadamente 27,106 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

ChemBERTa fue publicado por University of Toronto,Reverie Labs,DeepChem, en el país registrado como Canada, durante October 2020. La organización editora está clasificada como academia,Industry,Industry.

Funciona en el dominio de Biology, y se registra como realizando la tarea de molecular property prediction.

Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible. En Hugging Face está publicado bajo la organización seyonec.

Leyendo las cifras de rendimiento

La mitad de las tarjetas que lo sostienen gestionan más de 761.1 tokens por segundo. Excediendo velocidad de lectura directamente: 818 de ellos.

Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento 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 8.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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 225,000,000 tokens de texto

Paso a paso

Cómo elegir una GPU para ChemBERTa

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 ChemBERTa, necesitando alrededor 0.8 GB a una compresión de Q8_0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
02

Decide cuánto duran tus conversaciones.

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 ChemBERTa.
03

Establecer un umbral de calidad

Cada tarjeta ejecuta la copia menos comprimida que puede contener., 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

Ordenar por velocidad para ver cómo se clasifican las tarjetas por ChemBERTa. 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 27,106 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 ChemBERTa. 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 nombre de tarjeta enlaza a su propia página, que ejecuta el mismo cálculo en todo el catálogo del modelo. Una tarjeta generalmente se compra para más de un modelo, por lo que vale la pena echar un vistazo antes de comprar para ChemBERTa.

Respuestas

ChemBERTa — preguntas comunes

ChemBERTa— ¿Para qué se utiliza?

Funciona en el dominio de Biology, y se registra como manejando la tarea de molecular property prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

ChemBERTa— ¿Dónde puedo descargarlo?

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

ChemBERTa— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 8.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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.

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

Solo al descargar, lo cual suele ser una falsa economía: la parte mantenida en la memoria del sistema arrastra todo. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

ChemBERTa— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

ChemBERTa— ¿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.

ChemBERTa— ¿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: 16,264–43,369 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.

ChemBERTa— ¿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 0.8 GB, y produce aproximadamente 295 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

ChemBERTa— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 27,106 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.

ChemBERTa— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.8 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.

ChemBERTa— ¿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 0.8 GB y generando aproximadamente 5,048 tokens por segundo. El ajuste es cómodo.

ChemBERTa— ¿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 0.8 GB y generando aproximadamente 3,091 tokens por segundo. El ajuste es cómodo.

ChemBERTa— ¿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 0.8 GB y generando aproximadamente 3,829 tokens por segundo. El ajuste es cómodo.

ChemBERTa— ¿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 0.8 GB y generando aproximadamente 4,540 tokens por segundo. El ajuste es cómodo.

ChemBERTa— ¿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.

ChemBERTa— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 125M. "Our implementation of RoBERTa uses 12 attention heads and 6 layers, resulting in 72 distinct attention mechanisms" -> base model is RoBERTa Base. 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.

ChemBERTa— ¿Quién lo creó?

Fue publicado por University of Toronto,Reverie Labs,DeepChem, basado en Canada, una organización categorizada como academia,Industry,Industry.

ChemBERTa— ¿cuándo fue lanzado?

Se publicó en October 2020. 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.

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