K-EXAONE 2.0 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
¿Qué GPU pueden ejecutar? K-EXAONE 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..
0 las tarjetas coinciden
Calculando| Necesita | Cuantización | Ajustar | |||||
|---|---|---|---|---|---|---|---|
|
Ninguna tarjeta en nuestro catálogo puede ejecutar este modelo con estas configuraciones.. |
|||||||
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
- 31 July 2026
- Autores
- Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Minhyeok Jung, Doyoung Kim, Heegyu Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Byungoh Ko, Changhun Lee, Dohaeng Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Minwoo Lee, Wonkee Lee, Sangha Park, Sungjune Park, Kwangrok Ryoo, Kijung Seo, Minju Seo, Yon…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation
- Modelo base
- K-EXAONE
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
- 750B
- Datos de entrenamiento
- tokens
MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B).
16T tokens (developer-reported via email, July 2026). The technical report describes continual pre-training on an additional ~8T tokens after a healing stage, mid-training on 800B tokens (two 400B stages extending context to 64K then 256K), and SFT on 350B tokens, on top of the upcycled K-EXAONE base (11T 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
- 3.6 × 10²⁴ FLOP
- Cómo se estableció
- Reported
3.55e24 FLOP reported by LG AI Research via email (July 2026), alongside a 16T-token training data figure. Cross-check by operation counting: 6 * 37e9 active parameters * 16e12 tokens = 3.55e24 FLOP, exactly consistent with the reported figure. Note that K-EXAONE 2.0 is upcycled from K-EXAONE (11T tokens at 23B active parameters, 1.52e24 FLOP). The technical report describes a healing stage followed by ~8T tokens of continual pre-training, 800B tokens of mid-training (2 x 400B), and 350B token…
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
- LGAI-EXAONE
Released under Apache 2.0 on Hugging Face.
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
- Training cost
- Confianza de registro
- Confident
Developer-reported training compute cost of USD 17,998,771.54 (KRW 26,006,425,000 at 1,444.9 KRW/USD), communicated by LG AI Research via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not provided.
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- K-EXAONE 2.0 Technical Report
- Última actualización
- 4 August 2026
Qué significan los números
Lo que se necesita para ejecutar este modelo
K-EXAONE 2.0 llega a un recuento de parámetros de 750B. Eso está más allá de lo que cualquier tarjeta gráfica única puede soportar. Ejecutarlo significa dividirlo entre varias tarjetas o alquilar hardware construido para el trabajo, y cada tarjeta capaz de soportarlo sola es una parte de datacenter. El número que puede: 0.
Fondo
K-EXAONE 2.0 fue publicado por LG AI Research, en el país registrado como Korea (Republic of), durante July 2026. La organización editora está clasificada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation.
Su punto de partida fue un modelo base existente, K-EXAONE. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
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 LGAI-EXAONE.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 3.6 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Se rastrea en el conjunto de datos subyacente por una razón en particular: training cost.
Paso a paso
Cómo elegir una GPU para K-EXAONE 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..
-
01
Comienza desde la columna de memoria
La tabla enumera cada tarjeta capaz de contener K-EXAONE 2.0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.
-
02
Ajusta el contexto a tu uso actual
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. K-EXAONE 2.0.
-
03
Establecer un umbral de calidad
Cada tarjeta ejecuta la copia menos comprimida que puede contener.. 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 K-EXAONE 2.0. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria.
-
05
Lee la columna de ajuste al final
Tight significa que se carga y funciona sin espacio para aumentar el contexto más tarde, en el caso de K-EXAONE 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.
-
06
Revisa la tarjeta del otro lado
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 K-EXAONE 2.0.
Respuestas
K-EXAONE 2.0 — preguntas comunes
K-EXAONE 2.0— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 750B. MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B). 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.
K-EXAONE 2.0— ¿Quién lo creó?
Fue publicado por LG AI Research, basado en Korea (Republic of), una organización categorizada como industry.
K-EXAONE 2.0— ¿cuándo fue lanzado?
Se publicó en July 2026.
K-EXAONE 2.0— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
K-EXAONE 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.
K-EXAONE 2.0— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.6 × 10²⁴ FLOP. 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.
K-EXAONE 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. El fallo más cercano que calculamos se queda corto por 197.8 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
K-EXAONE 2.0— ¿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: 0. Así que una segunda tarjeta rara vez es la respuesta aquí.
K-EXAONE 2.0— ¿Por qué difiere la cuantificación entre tarjetas?
Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 1. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.
K-EXAONE 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: el rango debajo de cada cifra. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.
K-EXAONE 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.
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.