ether0 calculadora TPS
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 tenemos especificaciones para
Tarjeta más pequeña que cabe
Xeon Phi 7120P
16 GB · IQ4_XS · 9.9 tok/s
Tarjeta más rápida
B200
141 tok/s · 180 GB
¿Qué GPU pueden ejecutar? ether0?
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..
241 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
141
tok/s
85–226 · baja confianza |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 26.4 GB | Q8_0 | Cómodo |
|
141
tok/s
85–226 · baja confianza |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 26.4 GB | Q8_0 | Cómodo |
|
113
tok/s
68–180 · baja confianza |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 26.4 GB | Q8_0 | Cómodo |
|
113
tok/s
68–180 · baja confianza |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 26.4 GB | Q8_0 | Cómodo |
|
90.2
tok/s
54–144 · baja confianza |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 26.4 GB | Q8_0 | Cómodo |
|
86.3
tok/s
52–138 · baja confianza |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 26.4 GB | Q8_0 | Cómodo |
|
86.3
tok/s
52–138 · baja confianza |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 26.4 GB | Q8_0 | Cómodo |
|
82.6
tok/s
50–132 · baja confianza |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 26.4 GB | Q8_0 | Cómodo |
|
73.3
tok/s
44–117 · baja confianza |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Cómodo |
|
73.3
tok/s
44–117 · baja confianza |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Cómodo |
|
73.3
tok/s
44–117 · baja confianza |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Cómodo |
|
69.5
tok/s
42–111 · baja confianza |
H100 NVL 94 GB NVIDIA | 94 GB | 3,940 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Cómodo |
|
59.3
tok/s
36–95 · baja confianza |
H100 PCIe 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Cómodo |
|
59.3
tok/s
36–95 · baja confianza |
H100 SXM5 80 GB NVIDIA | 80 GB | 3,360 GB/s | Oct 2022 | 26.4 GB | Q8_0 | Cómodo |
|
59.3
tok/s
36–95 · baja confianza |
H100 SXM5 94 GB NVIDIA | 94 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Cómodo |
|
59.3
tok/s
36–95 · baja confianza |
H100 SXM5 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Cómodo |
|
59.3
tok/s
36–95 · baja confianza |
H800 SXM5 NVIDIA | 80 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Cómodo |
|
49.0
tok/s
29–78 · baja confianza |
Tesla V100 SXM2 16 GB NVIDIA | 16 GB | 1,130 GB/s | Nov 2019 | 13.8 GB | IQ4_XS | Ajustado |
|
45.2
tok/s
27–72 · baja confianza |
Radeon Instinct MI250 AMD | 128 GB | 3,280 GB/s | Nov 2021 | 26.4 GB | Q8_0 | Cómodo |
|
45.2
tok/s
27–72 · baja confianza |
Radeon Instinct MI250X AMD | 128 GB | 3,280 GB/s | Nov 2021 | 26.4 GB | Q8_0 | Cómodo |
|
41.6
tok/s
25–67 · baja confianza |
GeForce RTX 5080 NVIDIA | 16 GB | 960 GB/s | Jan 2025 | 13.8 GB | IQ4_XS | Ajustado |
|
38.9
tok/s
23–62 · baja confianza |
Tesla V100 DGXS 16 GB NVIDIA | 16 GB | 897 GB/s | Mar 2018 | 13.8 GB | IQ4_XS | Ajustado |
|
38.9
tok/s
23–62 · baja confianza |
Tesla V100 PCIe 16 GB NVIDIA | 16 GB | 897 GB/s | Jun 2017 | 13.8 GB | IQ4_XS | Ajustado |
|
38.9
tok/s
23–62 · baja confianza |
Tesla V100 SXM2 16 GB NVIDIA | 16 GB | 897 GB/s | Jun 2017 | 13.8 GB | IQ4_XS | Ajustado |
|
38.8
tok/s
23–62 · baja confianza |
GeForce RTX 5070 Ti NVIDIA | 16 GB | 896 GB/s | Feb 2025 | 13.8 GB | IQ4_XS | Ajustado |
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
- FutureHouse
- País
- United States of America
- Publicado
- 5 June 2025
- Autores
- Siddharth Narayanan, James Braza, Albert Bou, Geemi Wellawatte, Mayk Caldas, Ludovico Mitchener, Sam Rodriques, Andrew White
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Materials science, Language
- Tarea
- Language modeling/generation, Molecular property prediction
- Modelo base
- Mistral Small 3
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
- 24B
- Datos de entrenamiento
- tokens
24B
Reasoning models are large language models that emit a long chain-of-thought before answering, providing both higher accuracy and explicit reasoning for their response. A major question has been whether language model reasoning generalizes beyond mathematics, programming, and logic, where most previous work has focused. We demonstrate that reasoning models can be post-trained for chemistry without additional domain pretraining, and require substantially less data compared to contemporary domain-…
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.
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 3.9 × 10²² FLOP
989400000000000 FLOP/GPU/sec * 96 hours * 3600 sec / hour * 384 GPUs * 0.3 [assumed utilization] = 3.9391100928e+22 FLOP "Likely" confidence because I didn't account for SFT training, only RL
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 H100 SXM5 80GB
- Chips utilizados
- 384
- Tiempo de reloj
- 96 hours
- Consumo de energía
- 526.5 kW
"The seven specialist models were trained using 24-72 Nvidia H100 GPUs each" "The final all-task RL training phase was performed using 384 H100 GPUs, over 4 days" 4 days = 96 hours
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
- Hugging Face
- futurehouse
apache 2.0 https://huggingface.co/futurehouse/ether0
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
- ether0: a scientific reasoning model for chemistry
- Última actualización
- 28 November 2025
Los extremos
Las diez GPUs más rápidas que ejecutan ether0
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..
- 01 B300 288 GB · 8,000 GB/s · Q8_0 141 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q8_0 141 tok/s
- 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 113 tok/s
- 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 113 tok/s
- 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 90.2 tok/s
- 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 86.3 tok/s
- 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 86.3 tok/s
- 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 82.6 tok/s
- 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 73.3 tok/s
- 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 73.3 tok/s
Las GPUs más pequeñas que aún funcionan ether0
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..
- 01 Ryzen AI Z2 Extreme GPU 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 8.7 tok/s
- 02 Radeon RX 7700 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 21.0 tok/s
- 03 Arc Pro B50 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 6.3 tok/s
- 04 RTX PRO 2000 Blackwell 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 12.5 tok/s
- 05 Ryzen Z2 Extreme GPU 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 4.3 tok/s
- 06 Radeon RX 9060 XT 16 GB 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 10.9 tok/s
- 07 GeForce RTX 5060 Ti 16 GB 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 19.4 tok/s
- 08 GeForce RTX 5080 Mobile 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 38.8 tok/s
- 09 Radeon RX 9070 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 21.8 tok/s
- 10 Radeon RX 9070 XT 16 GB · Necesita 13.8 GB · IQ4_XS · Ajustado 21.8 tok/s
Qué significan los números
Requisitos de hardware en la práctica
Mínima tarjeta
Xeon Phi 7120P
Memoria necesaria
13.8 GB
Más rápido
141 tok/s
ether0 llega a un recuento de parámetros de 24B. Eso cae dentro del rango que una tarjeta de escritorio seria puede manejar una vez que los pesos están comprimidos. El número de tarjetas que rastreamos que pueden ejecutarlo: 241.
El punto de entrada es Xeon Phi 7120P, con una capacidad de memoria de 16 GB, ejecutándolo a una compresión de IQ4_XS y produciendo alrededor 9.9 tokens por segundo
El resultado más rápido proviene de B200, generando aproximadamente 141 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.
Qué es este modelo
ether0 fue publicado por FutureHouse, en el país registrado como United States of America, durante June 2025.
Funciona en el dominio de Materials science, Language, y se registra como realizando la tarea de language modeling/generation, Molecular property prediction.
En lugar de ser entrenado desde cero, se deriva de Mistral Small 3. 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 futurehouse.
Qué decide la velocidad
La mitad de las tarjetas que lo sostienen gestionan más de 19.4 tokens por segundo. Limpiando los diez tokens por segundo que corresponden aproximadamente a la velocidad de lectura: 193 de ellos.
Es un modelo denso, por lo que cada parámetro se lee para cada token producido. Eso hace que la velocidad rastree el ancho de banda de la memoria casi exactamente: una tarjeta con el doble de ancho de banda genera aproximadamente el doble de rápido.
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.
Paso a paso
Cómo elegir una GPU para ether0
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 ether0, necesitando alrededor 13.8 GB a una compresión de IQ4_XS. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
-
02
Decide cuánto duran tus conversaciones.
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. ether0.
-
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
Ordenar por velocidad para ver cómo se clasifican las tarjetas por ether0. 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 141 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 ether0. 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 ether0.
Respuestas
ether0 — preguntas comunes
ether0— ¿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: 85–226 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.
ether0— ¿Qué GPU necesito para ejecutarlo?
La tarjeta más pequeña en nuestro catálogo que lo sostiene es Xeon Phi 7120P, con una capacidad de memoria de 16 GB. Funciona el modelo a una compresión de IQ4_XS usando alrededor 13.8 GB, y produce aproximadamente 9.9 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 241.
ether0— ¿qué tan rápido es en una GPU?
Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 141 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: 193.
ether0— ¿Cuánta VRAM necesita?
Necesita aproximadamente 13.8 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.
ether0— ¿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 IQ4_XS, usando alrededor 13.8 GB y generando aproximadamente 49.0 tokens por segundo. El ajuste es ajustado.
ether0— ¿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 Q6_K, usando alrededor 20.8 GB y generando aproximadamente 34.4 tokens por segundo. El ajuste es ajustado.
ether0— ¿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.
ether0— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 24B. 24B. 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.
ether0— ¿Quién lo creó?
Fue publicado por FutureHouse, basado en United States of America.
ether0— ¿cuándo fue lanzado?
Se publicó en June 2025.
ether0— ¿Para qué se utiliza?
Funciona en el dominio de Materials science, Language, y se registra como manejando la tarea de language modeling/generation, Molecular property prediction. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
ether0— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización futurehouse. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
ether0— ¿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. El fallo más cercano que calculamos se queda corto por 4.4 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
ether0— ¿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: 241. Así que una segunda tarjeta rara vez es la respuesta aquí.
ether0— ¿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.
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.