A.X K2 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? A.X K2?
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
- SK Telecom
- Tipo de Organización
- Industry
- País
- Korea (Republic of)
- Publicado
- 29 July 2026
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion
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
- 688B
- Datos de entrenamiento
- tokens
MoE architecture, total parameters 688B, active parameters 33B (61 layers: 1 dense + 60 MoE; 256 routed experts + 1 shared, 8 active per token)
Approximately 8.5T tokens in total: ~8.2T in pre-training (Stage 1 general knowledge: 6.4T; Stage 2 high-quality reasoning: 1.4T; long-context stages 3A-3C: ~0.36T) and the remainder in post-training.
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
- 1.8 × 10²⁴ FLOP
- Cómo se estableció
- Reported
~1.8e24 FLOP reported by SK Telecom via email (July 2026). Cross-check by operation counting: 6 * 33e9 active parameters * 8.5e12 tokens = 1.68e24 FLOP, consistent with the reported figure. Per the technical report, ~8.2T of the 8.5T tokens were used in pre-training (512 B200 GPUs, ~70 days), with the remainder in post-training.
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 1,680 hours (70 days)
- Costo de cómputo
- $12,400,000
Pre-training ran for approximately 70 days (~1,680 hours) on 512 NVIDIA B200 GPUs (64 nodes of 8), i.e. ~860,000 GPU-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)
- Hugging Face
- skt
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 ~$12.4M (2023 USD), communicated by SK Telecom via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not yet provided.
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A.X K2 Technical Report
- Última actualización
- 31 July 2026
Qué significan los números
El lado de hardware
A.X K2 llega a un recuento de parámetros de 688B. 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.
Acerca de este modelo
A.X K2 fue publicado por SK Telecom, en el país registrado como Korea (Republic of), durante July 2026. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion.
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 skt.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 1.8 × 10²⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Su criterio de inclusión: training cost.
Paso a paso
Cómo elegir una GPU para A.X K2
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
Verifica lo que necesita antes de cualquier otra cosa.
La tabla enumera cada tarjeta capaz de contener A.X K2. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
-
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 A.X K2.
-
03
Establecer un umbral de calidad
La columna de cuantización varía por tarjeta, porque una tarjeta más grande sostiene una copia más precisa.. 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
Clasifica por rendimiento en lugar de la hoja de especificaciones.
El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para A.X K2. No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria.
-
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 A.X K2. 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 A.X K2.
Respuestas
A.X K2 — preguntas comunes
A.X K2— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización skt. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
A.X K2— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.8 × 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.
A.X K2— ¿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 110.8 GB Cada cifra aquí asume que todo el modelo está residente en la tarjeta.
A.X K2— ¿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.
A.X K2— ¿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.
A.X K2— ¿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.
A.X K2— ¿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.
A.X K2— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 688B. MoE architecture, total parameters 688B, active parameters 33B (61 layers: 1 dense + 60 MoE; 256 routed experts + 1 shared, 8 active per token). 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.
A.X K2— ¿Quién lo creó?
Fue publicado por SK Telecom, basado en Korea (Republic of), una organización categorizada como industry.
A.X K2— ¿cuándo fue lanzado?
Se publicó en July 2026.
A.X K2— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
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.