EXAONE Path 2.0 calculadora TPS

Abre pesos LG AI Research 175M parámetros July 2025

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 · 211 tok/s

Tarjeta más rápida

B200

19,361 tok/s · 180 GB

¿Qué GPU pueden ejecutar? EXAONE Path 2.0?

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
19,361 tok/s

11,617–30,978 · baja confianza

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.9 GB Q8_0 Cómodo
19,361 tok/s

11,617–30,978 · baja confianza

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.9 GB Q8_0 Cómodo
15,461 tok/s

9,276–24,737 · baja confianza

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Cómodo
15,461 tok/s

9,276–24,737 · baja confianza

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Cómodo
12,365 tok/s

7,419–19,783 · baja confianza

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
11,835 tok/s

7,101–18,935 · baja confianza

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Cómodo
11,835 tok/s

7,101–18,935 · baja confianza

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Cómodo
11,326 tok/s

6,796–18,122 · baja confianza

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.9 GB Q8_0 Cómodo
10,052 tok/s

6,031–16,083 · baja confianza

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
10,052 tok/s

6,031–16,083 · baja confianza

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
10,052 tok/s

6,031–16,083 · baja confianza

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
9,535 tok/s

5,721–15,257 · baja confianza

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
8,132 tok/s

4,879–13,011 · baja confianza

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
8,132 tok/s

4,879–13,011 · baja confianza

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.9 GB Q8_0 Cómodo
8,132 tok/s

4,879–13,011 · baja confianza

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
8,132 tok/s

4,879–13,011 · baja confianza

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
8,132 tok/s

4,879–13,011 · baja confianza

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
6,192 tok/s

3,715–9,907 · baja confianza

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Cómodo
6,192 tok/s

3,715–9,907 · baja confianza

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Cómodo
5,160 tok/s

3,096–8,256 · baja confianza

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
5,050 tok/s

3,030–8,079 · baja confianza

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
4,937 tok/s

2,962–7,899 · baja confianza

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.9 GB Q8_0 Cómodo
4,937 tok/s

2,962–7,899 · baja confianza

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.9 GB Q8_0 Cómodo
4,937 tok/s

2,962–7,899 · baja confianza

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.9 GB Q8_0 Cómodo
4,937 tok/s

2,962–7,899 · baja confianza

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.9 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
LG AI Research
Tipo de Organización
Industry
País
Korea (Republic of)
Publicado
9 July 2025
Autores
Myungjang Pyeon, Janghyeon Lee, Minsoo Lee, Juseung Yun, Hwanil Choi, Jonghyun Kim, Jiwon Kim, Yi Hu, Jongseong Jang, Soonyoung Lee

Lo que hace

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

Dominio
Vision, Medicine
Tarea
Cancer diagnosis, Image classification, Medical diagnosis

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
175M

~175M parameters based on Figure 1

Datos de entrenamiento
144,450 tokens

"EXAONE Path 2.0 is trained on 37,195 Formalin-Fixed, Paraffin-Embedded (FFPE) Hematoxylin and Eosin (H&E) stained WSIs. These WSIs generate 144,450 image-label pairs across 16 training tasks, with each WSI contributing multiple labels corresponding to different prediction objectives including cancer subtyping, tissue classification, and biomarker prediction." "gigapixel scale" "In the first curriculum stage, we apply 256×256 DINO loss to the first-stage ViT and 1024×1024 DINO loss to the seco…

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

EXAONEPath AI Model License Agreement 1.0 - NC https://huggingface.co/LGAI-EXAONE/EXAONE-Path-2.0

Hugging Face
LGAI-EXAONE

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

Author correspondence: "Our technical report for the EXAONE Path 2.0 model presents results across ten benchmark datasets. Among them, the benchmarks ending in ***-USA1 and ***-KOR are private datasets collected from hospitals, while those ending in ***-CPTAC are based on publicly available data from the following paper: Li, Yize, Lazar, Alexander J., et al., "Proteogenomic data and resources for pan-cancer analysis", Cancer Cell, Volume 41, Issue 8, 1397–1406 https://www.cell.com/cancer-cell/f…

Confianza de registro
Confident

Fuentes

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

Referencia
EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision
Última actualización
28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan EXAONE Path 2.0

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 19,361 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 19,361 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 15,461 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 15,461 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 12,365 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 11,835 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 11,835 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 11,326 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 10,052 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 10,052 tok/s

Las GPUs más pequeñas que aún funcionan EXAONE Path 2.0

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 0.9 GB · Q8_0 · Cómodo 232 tok/s
  2. 02 RTX A400 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 232 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 310 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 465 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 82.6 tok/s
  6. 06 Radeon RX 6450M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 242 tok/s
  7. 07 Radeon RX 6550M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 272 tok/s
  8. 08 Radeon RX 6550S 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 242 tok/s
  9. 09 Arc A310 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 195 tok/s
  10. 10 Arc Pro A30M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 201 tok/s

Qué significan los números

Lo que necesitas para ejecutar esto

Mínima tarjeta

Tesla C1080

Memoria necesaria

0.9 GB

Más rápido

19,361 tok/s

EXAONE Path 2.0 llega a un recuento de parámetros de 175M. 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 211 tokens por segundo

En el otro extremo se encuentra B200, generando aproximadamente 19,361 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

EXAONE Path 2.0 fue publicado por LG AI Research, en el país registrado como Korea (Republic of), durante July 2025. Sale de una organización categorizada como industry.

Funciona en el dominio de Vision, Medicine, y se registra como realizando la tarea de cancer diagnosis, Image classification, Medical diagnosis.

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 LGAI-EXAONE.

Qué tan rápido corre, y por qué

En cada tarjeta que puede ejecutarlo, el medio del rango se sitúa en 543.7 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.

La memoria aquí se estima a partir del tamaño en lugar de calcularse a partir de la arquitectura, que no se registra para este modelo — los números son indicativos en lugar de exactos.

Entrenamiento y procedencia

El conjunto de entrenamiento se ejecutó a aproximadamente 144,450 tokens de texto

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

Paso a paso

Cómo elegir una GPU para EXAONE Path 2.0

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

    Verifica lo que necesita antes de cualquier otra cosa.

    Empieza desde lo que realmente necesita, que es el requerimiento de EXAONE Path 2.0, necesitando alrededor 0.9 GB a una compresión de Q8_0. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.

  2. 02

    Ajusta el contexto a tu uso actual

    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. EXAONE Path 2.0.

  3. 03

    Establecer un umbral de calidad

    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.

  4. 04

    Compara tokens por segundo, no especificaciones

    La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. EXAONE Path 2.0. 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 19,361 tok/s

  5. 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 EXAONE Path 2.0. 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

    Abre la tarjeta que has elegido.

    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 EXAONE Path 2.0.

Respuestas

EXAONE Path 2.0 — preguntas comunes

01

EXAONE Path 2.0— ¿cuándo fue lanzado?

Se publicó en July 2025.

02

EXAONE Path 2.0— ¿Para qué se utiliza?

Funciona en el dominio de Vision, Medicine, y se registra como manejando la tarea de cancer diagnosis, Image classification, Medical diagnosis. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

03

EXAONE Path 2.0— ¿Dónde puedo descargarlo?

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

04

EXAONE Path 2.0— ¿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.

05

EXAONE Path 2.0— ¿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.

06

EXAONE Path 2.0— ¿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.

07

EXAONE Path 2.0— ¿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: 11,617–30,978 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.

08

EXAONE Path 2.0— ¿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 0.9 GB, y produce aproximadamente 211 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

09

EXAONE Path 2.0— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 19,361 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.

10

EXAONE Path 2.0— ¿Cuánta VRAM necesita?

Necesita aproximadamente 0.9 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.

11

EXAONE Path 2.0— ¿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 0.9 GB y generando aproximadamente 3,606 tokens por segundo. El ajuste es cómodo.

12

EXAONE Path 2.0— ¿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 0.9 GB y generando aproximadamente 2,208 tokens por segundo. El ajuste es cómodo.

13

EXAONE Path 2.0— ¿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 0.9 GB y generando aproximadamente 2,735 tokens por segundo. El ajuste es cómodo.

14

EXAONE Path 2.0— ¿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 0.9 GB y generando aproximadamente 3,243 tokens por segundo. El ajuste es cómodo.

15

EXAONE Path 2.0— ¿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.

16

EXAONE Path 2.0— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 175M. ~175M parameters based on Figure 1. 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.

17

EXAONE Path 2.0— ¿Quién lo creó?

Fue publicado por LG AI Research, basado en Korea (Republic of), una organización categorizada como industry.

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