AbLang (heavy sequences) calculateur TPS

Ouvrir les poids University of Oxford 355M paramètres January 2022

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

818 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Tesla C1080

4 GB · Q8_0 · 104 tok/s

Carte la plus rapide

B200

9,544 tok/s · 180 GB

Quelles GPU peuvent exécuter AbLang (heavy sequences)?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

818 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
9,544 tok/s 5,727–15,271 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.1 GB	Q8_0	Confortable
9,544 tok/s 5,727–15,271 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.1 GB	Q8_0	Confortable
7,621 tok/s 4,573–12,194 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.1 GB	Q8_0	Confortable
7,621 tok/s 4,573–12,194 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.1 GB	Q8_0	Confortable
6,095 tok/s 3,657–9,752 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.1 GB	Q8_0	Confortable
5,834 tok/s 3,500–9,334 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.1 GB	Q8_0	Confortable
5,834 tok/s 3,500–9,334 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.1 GB	Q8_0	Confortable
5,583 tok/s 3,350–8,933 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.1 GB	Q8_0	Confortable
4,955 tok/s 2,973–7,928 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Confortable
4,955 tok/s 2,973–7,928 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Confortable
4,955 tok/s 2,973–7,928 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.1 GB	Q8_0	Confortable
4,701 tok/s 2,820–7,521 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable
4,009 tok/s 2,405–6,414 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable
4,009 tok/s 2,405–6,414 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.1 GB	Q8_0	Confortable
4,009 tok/s 2,405–6,414 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable
4,009 tok/s 2,405–6,414 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable
4,009 tok/s 2,405–6,414 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable
3,052 tok/s 1,831–4,884 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.1 GB	Q8_0	Confortable
3,052 tok/s 1,831–4,884 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.1 GB	Q8_0	Confortable
2,544 tok/s 1,526–4,070 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.1 GB	Q8_0	Confortable
2,489 tok/s 1,494–3,983 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.1 GB	Q8_0	Confortable
2,434 tok/s 1,460–3,894 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.1 GB	Q8_0	Confortable
2,434 tok/s 1,460–3,894 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.1 GB	Q8_0	Confortable
2,434 tok/s 1,460–3,894 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.1 GB	Q8_0	Confortable
2,434 tok/s 1,460–3,894 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.1 GB	Q8_0	Confortable

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

Enregistrement

Spécifications complètes

Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..

Origine

Qui a construit ce modèle, où, et quand il a été publié.

Organisation: University of Oxford
Type d'organisation: Academia
Pays: United Kingdom of Great Britain and Northern Ireland
Publié: 22 January 2022
Auteurs: Tobias H Olsen, Iain H Moal, Charlotte M Deane

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Biology
Tâche: Proteins, Antibody property prediction, Protein or nucleotide language model (pLM/nLM)

Taille

Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.

paramètres: 355M
Données d'entraînement: 2,260,275,840 tokens
Époques: 20

Disponibilité

Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.

Poids: Open — downloadable
Accès au modèle: Open weights (unrestricted)
Code d'entraînement: Unreleased

Comment il est classé

Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.

Pourquoi c'est suivi: SOTA improvement
Confiance d'enregistrement: Confident
Citations: 176

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: AbLang: an antibody language model for completing antibody sequences
Dernière mise à jour: 11 February 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent AbLang (heavy sequences)

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore AbLang (heavy sequences)

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Le côté matériel

Carte minimale

Tesla C1080

Mémoire requise

1.1 GB

Le plus rapide

9,544 tok/s

AbLang (heavy sequences) atteint un nombre de paramètres de 355M. C'est suffisamment petit pour que le matériel soit rarement l'obstacle, y compris sur des CARDS âgées de plusieurs années. Le nombre de CARDS que nous suivons et qui peuvent le faire fonctionner : 818.

À l'extrémité inférieure, cela est géré par Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 104 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 9,544 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

AbLang (heavy sequences) a été publié par University of Oxford, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant January 2022. La catégorie à laquelle appartient l'éditeur est academia.

Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Antibody property prediction, Protein or nucleotide language model (pLM/nLM).

Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable.

Comprendre les vitesses

La moitié des cartes qui le détiennent gèrent plus de 268.0 tokens par seconde 817 d'eux

C'est un modèle dense, donc chaque paramètre est lu pour chaque jeton produit. Cela rend la vitesse presque exactement proportionnelle à la bande passante mémoire — une carte avec le double de la bande passante génère environ deux fois plus rapidement.

Son architecture interne n'est pas dans notre base de données, donc la mémoire est approximée à partir du nombre de paramètres et marquée en conséquence. Attendez-vous à ce que la véritable valeur diffère, surtout pour un long CONTEXT LENGTH.

Qu'est-ce qui a été nécessaire pour le construire

L'ensemble d'entraînement a duré environ 2,260,275,840 jetons de texte

Son critère d'inclusion : sOTA improvement.

Étape par étape

Comment choisir un GPU pour AbLang (heavy sequences)

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Commencez par la colonne mémoire

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de AbLang (heavy sequences), ayant besoin d'environ 1.1 GB à une compression de Q8_0. La capacité est la porte — une carte soit la détient soit ne la détient pas.
02

Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. AbLang (heavy sequences).
03

Décidez combien de compression vous allez accepter

La Compression est ce qui permet à un modèle de s'adapter à des cartes plus petites, au prix d'une certaine précision., atteignant une compression de Q8_0 sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Trier par vitesse

Le classement par tokens par seconde suit la bande passante de la VRAM plutôt que le nombre de cœurs, pour AbLang (heavy sequences). Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 9,544 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de AbLang (heavy sequences). Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Voir ce que cette carte exécute d'autre.

Chaque page de carte répète ce balayage pour chaque modèle que nous détenons, répondant à ce que le matériel peut faire d'autre au-delà de AbLang (heavy sequences).

Réponses

AbLang (heavy sequences) — questions courantes

AbLang (heavy sequences)— quelle est la précision de ces estimations de vitesse ?

Ils sont calculés à partir des spécifications plutôt que mesurés, et chacun a une plage. Un exemple : 5,727–15,271 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

AbLang (heavy sequences)— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Tesla C1080, avec une capacité de mémoire de 4 GB. Il exécute le modèle à une compression de Q8_0 environ 1.1 GB, et produit environ 104 tous les GPU capables de l'exécuter en total 818.

AbLang (heavy sequences)— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 9,544 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 817.

AbLang (heavy sequences)— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 1.1 GB à une compression de Q8_0, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

AbLang (heavy sequences)— Puis-je l'exécuter sur un GPU détenant 8 GB ?

Oui. La carte CMP 170HX 8 GB, tenue 8 GB, l'exécute à une compression de Q8_0, environ 1.1 GO et générant à peu près 1,778 jetons par seconde. L'adéquation est confortable.

AbLang (heavy sequences)— Puis-je l'exécuter sur un GPU détenant 12 GB ?

Oui. La carte GeForce RTX 3080 Ti, tenue 12 GB, l'exécute à une compression de Q8_0, environ 1.1 GO et générant à peu près 1,089 jetons par seconde. L'adéquation est confortable.

AbLang (heavy sequences)— Puis-je l'exécuter sur un GPU détenant 16 GB ?

Oui. La carte Tesla V100 SXM2 16 GB, tenue 16 GB, l'exécute à une compression de Q8_0, environ 1.1 GO et générant à peu près 1,348 jetons par seconde. L'adéquation est confortable.

AbLang (heavy sequences)— Puis-je l'exécuter sur un GPU détenant 24 GB ?

Oui. La carte GeForce RTX 5090 D V2, tenue 24 GB, l'exécute à une compression de Q8_0, environ 1.1 GO et générant à peu près 1,599 jetons par seconde. L'adéquation est confortable.

AbLang (heavy sequences)— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

AbLang (heavy sequences)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 355M. "The hyperparameters were selected to be similar to those used in the RoBERTa paper (Liu et al., 2019)." Liu et al., 2019 link: https://arxiv.org/pdf/1907.11692.pdf "We begin by training RoBERTa following the BERTLARGE architecture (L = 24, H = 1024, A = 16, 355M parameters)". Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.

AbLang (heavy sequences)— qui l'a créé ?

Il a été publié par University of Oxford, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.

AbLang (heavy sequences)— quand a-t-il été publié ?

Il a été publié dans January 2022. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.

AbLang (heavy sequences)— à quoi ça sert ?

Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Antibody property prediction, Protein or nucleotide language model (pLM/nLM). Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.

AbLang (heavy sequences)— où puis-je le télécharger ?

Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.

AbLang (heavy sequences)— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Il peut être réparti entre la carte et la mémoire système, mais cela génère de manière douloureuse lentement. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

AbLang (heavy sequences)— deux GPUs l'exécuteraient-ils plus rapidement ?

Deux cartes achètent de la mémoire plutôt que de la vitesse, ce qui est important seulement si une carte ne peut pas la contenir. Le nombre qui peut : 818. Ainsi, une seconde carte est rarement la réponse ici.

AbLang (heavy sequences)— pourquoi la quantification diffère-t-elle entre les cartes ?

Une carte plus grande contient une copie plus précise. Le nombre de niveaux de compression utilisés sur les cartes qui l'exécutent : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Source

Publication originale

Dernière mise à jour enregistrée 11 February 2026

L'autre direction

Regardez-le de l'autre côté ?

Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.

Tous les modèles AI