OpenPhenom-S/16 calculadora TPS

Abre pesos Recursion Pharmaceuticals 178M parámetros November 2024

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 · 207 tok/s

Tarjeta más rápida

B200

19,030 tok/s · 180 GB

¿Qué GPU pueden ejecutar? OpenPhenom-S/16?

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
19,030 tok/s

11,418–30,448 · baja confianza

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.9 GB Q8_0 Cómodo
19,030 tok/s

11,418–30,448 · baja confianza

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.9 GB Q8_0 Cómodo
15,196 tok/s

9,118–24,314 · baja confianza

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Cómodo
15,196 tok/s

9,118–24,314 · baja confianza

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Cómodo
12,153 tok/s

7,292–19,445 · baja confianza

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
11,632 tok/s

6,979–18,611 · baja confianza

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Cómodo
11,632 tok/s

6,979–18,611 · baja confianza

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Cómodo
11,133 tok/s

6,680–17,812 · baja confianza

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.9 GB Q8_0 Cómodo
9,880 tok/s

5,928–15,808 · baja confianza

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
9,880 tok/s

5,928–15,808 · baja confianza

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
9,880 tok/s

5,928–15,808 · baja confianza

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Cómodo
9,372 tok/s

5,623–14,996 · baja confianza

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
7,993 tok/s

4,796–12,788 · baja confianza

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
7,993 tok/s

4,796–12,788 · baja confianza

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.9 GB Q8_0 Cómodo
7,993 tok/s

4,796–12,788 · baja confianza

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
7,993 tok/s

4,796–12,788 · baja confianza

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
7,993 tok/s

4,796–12,788 · baja confianza

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Cómodo
6,086 tok/s

3,652–9,737 · baja confianza

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Cómodo
6,086 tok/s

3,652–9,737 · baja confianza

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Cómodo
5,072 tok/s

3,043–8,114 · baja confianza

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
4,963 tok/s

2,978–7,941 · baja confianza

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.9 GB Q8_0 Cómodo
4,853 tok/s

2,912–7,764 · baja confianza

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.9 GB Q8_0 Cómodo
4,853 tok/s

2,912–7,764 · baja confianza

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.9 GB Q8_0 Cómodo
4,853 tok/s

2,912–7,764 · baja confianza

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.9 GB Q8_0 Cómodo
4,853 tok/s

2,912–7,764 · 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
Recursion Pharmaceuticals
Tipo de Organización
Industry
País
United States of America
Publicado
5 November 2024
Autores
OpenPhenom

Lo que hace

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

Dominio
Biology, Vision
Tarea
Image embedding

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
178M

Checked using HuggingFace Library API.

Datos de entrenamiento
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
3.2 × 10¹⁹ FLOP

Training used Nvidia H100 Hopper nodes for 400 hours (https://huggingface.co/recursionpharma/OpenPhenom#training-evaluation-and-testing-details). Nvidia H100 Hopper has peak FLOPS of 67 teraFLOPS at single-precision (https://en.wikipedia.org/wiki/Hopper_(microarchitecture)#H100_accelerator_and_DGX_H100). Assuming 33% utilization rate and the use 1 Nvidia H100 Hopper, Training compute = 0.33 * 6.7e13 FLOPS * 400 h * 3600 s / h ~= 3.18e19 FLOPS

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
Tiempo de reloj
400 hours (16.7 days)

Training used Nvidia H100 Hopper nodes for 400 hours (https://huggingface.co/recursionpharma/OpenPhenom#training-evaluation-and-testing-details).

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)

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
Confident

Fuentes

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

Referencia
Generative deep computer vision models
Última actualización
28 November 2025

Los extremos

Las diez GPUs más rápidas que ejecutan OpenPhenom-S/16

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 19,030 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 19,030 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 15,196 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 15,196 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 12,153 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 11,632 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 11,632 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 11,133 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 9,880 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 9,880 tok/s

Las GPUs más pequeñas que aún funcionan OpenPhenom-S/16

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 228 tok/s
  2. 02 RTX A400 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 228 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 304 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 457 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 81.1 tok/s
  6. 06 Radeon RX 6450M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 238 tok/s
  7. 07 Radeon RX 6550M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 267 tok/s
  8. 08 Radeon RX 6550S 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 238 tok/s
  9. 09 Arc A310 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 192 tok/s
  10. 10 Arc Pro A30M 4 GB · Necesita 0.9 GB · Q8_0 · Cómodo 198 tok/s

Qué significan los números

Requisitos de hardware en la práctica

Mínima tarjeta

Tesla C1080

Memoria necesaria

0.9 GB

Más rápido

19,030 tok/s

OpenPhenom-S/16 llega a un recuento de parámetros de 178M. 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 punto de entrada es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q8_0 y produciendo alrededor 207 tokens por segundo

Gama alta es B200, generando aproximadamente 19,030 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Fondo

OpenPhenom-S/16 fue publicado por Recursion Pharmaceuticals, en el país registrado como United States of America, durante November 2024. Sale de una organización categorizada como industry.

Funciona en el dominio de Biology, Vision, y se registra como realizando la tarea de image embedding.

Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.

Leyendo las cifras de rendimiento

El resultado mediano es alrededor de 534.4 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.

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.

Cómo fue entrenado

El entrenamiento consumió alrededor de 3.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.

Paso a paso

Cómo elegir una GPU para OpenPhenom-S/16

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

    Lee la cifra de MEMORIA primero

    Empieza desde lo que realmente necesita, que es el requerimiento de OpenPhenom-S/16, necesitando alrededor 0.9 GB a una compresión de Q8_0. Ninguna cantidad de potencia de procesamiento compensa una CARD que no puede sostenerla.

  2. 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 OpenPhenom-S/16.

  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

    El ranking por tokens por segundo sigue el ancho de banda de memoria en lugar de los recuentos de núcleos, para OpenPhenom-S/16. 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 19,030 tok/s

  5. 05

    Lee la columna de ajuste al final

    La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de OpenPhenom-S/16. 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

    Mira qué más ejecuta esa tarjeta

    Cada página de tarjeta repite este barrido para cada modelo que tenemos, respondiendo a qué más es bueno el hardware más allá de OpenPhenom-S/16.

Respuestas

OpenPhenom-S/16 — preguntas comunes

01

OpenPhenom-S/16— cuánto compute se utilizó para entrenarlo?

El entrenamiento consumió alrededor 3.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. 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.

02

OpenPhenom-S/16— ¿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.

03

OpenPhenom-S/16— ¿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.

04

OpenPhenom-S/16— ¿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.

05

OpenPhenom-S/16— ¿Qué tan precisas son estas estimaciones de velocidad?

Se calculan a partir de especificaciones en lugar de ser medidas, y cada una tiene un rango. Un ejemplo: 11,418–30,448 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.

06

OpenPhenom-S/16— ¿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 207 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

07

OpenPhenom-S/16— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 19,030 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.

08

OpenPhenom-S/16— ¿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.

09

OpenPhenom-S/16— ¿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 3,544 tokens por segundo. El ajuste es cómodo.

10

OpenPhenom-S/16— ¿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 2,170 tokens por segundo. El ajuste es cómodo.

11

OpenPhenom-S/16— ¿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 2,688 tokens por segundo. El ajuste es cómodo.

12

OpenPhenom-S/16— ¿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 3,188 tokens por segundo. El ajuste es cómodo.

13

OpenPhenom-S/16— ¿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.

14

OpenPhenom-S/16— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 178M. Checked using HuggingFace Library API. 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.

15

OpenPhenom-S/16— ¿Quién lo creó?

Fue publicado por Recursion Pharmaceuticals, basado en United States of America, una organización categorizada como industry.

16

OpenPhenom-S/16— ¿cuándo fue lanzado?

Se publicó en November 2024. 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.

17

OpenPhenom-S/16— ¿Para qué se utiliza?

Funciona en el dominio de Biology, Vision, y se registra como manejando la tarea de image embedding. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.

18

OpenPhenom-S/16— ¿Dónde puedo descargarlo?

Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.

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