MSA Transformer calculateur TPS

Ouvrir les poids Facebook AI Research,University of California (UC) Berkeley,New York University (NYU) 100M paramètres February 2021

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 · 369 tok/s

Carte la plus rapide

B200

33,882 tok/s · 180 GB

Quelles GPU peuvent exécuter MSA Transformer?

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
33,882 tok/s 20,329–54,212 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Confortable
33,882 tok/s 20,329–54,212 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Confortable
27,056 tok/s 16,234–43,289 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
27,056 tok/s 16,234–43,289 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
21,638 tok/s 12,983–34,621 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
20,711 tok/s 12,426–33,137 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
20,711 tok/s 12,426–33,137 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
19,821 tok/s 11,893–31,714 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Confortable
17,591 tok/s 10,555–28,146 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
17,591 tok/s 10,555–28,146 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
17,591 tok/s 10,555–28,146 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
16,687 tok/s 10,012–26,699 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
14,231 tok/s 8,538–22,769 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
14,231 tok/s 8,538–22,769 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Confortable
14,231 tok/s 8,538–22,769 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
14,231 tok/s 8,538–22,769 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
14,231 tok/s 8,538–22,769 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
10,836 tok/s 6,501–17,337 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
10,836 tok/s 6,501–17,337 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
9,030 tok/s 5,418–14,447 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
8,837 tok/s 5,302–14,139 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
8,640 tok/s 5,184–13,824 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Confortable
8,640 tok/s 5,184–13,824 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Confortable
8,640 tok/s 5,184–13,824 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Confortable
8,640 tok/s 5,184–13,824 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: Facebook AI Research,University of California (UC) Berkeley,New York University (NYU)
Type d'organisation: Industry,Academia,Academia
Pays: United States of America, France
Publié: 13 February 2021
Auteurs: Roshan Rao, Jason Liu, Robert Verkuil, Joshua Meier, John F. Canny, Pieter Abbeel, Tom Sercu, Alexander Rives

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, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein folding prediction

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: 100M
Données d'entraînement: 1,395,000,000,000 tokens

Calcul de formation

L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.

Calcul de formation: 5.5 × 10²¹ FLOP
Comment cela a été établi: Operation counting

L'exécution de formation

Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.

Matériel d'entraînement: NVIDIA Tesla V100 DGXS 32 GB
Chips utilisés: 32
Consommation d'énergie: 16.2 kW
Coût de calcul: $13,257

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: Likely
Citations: 644

Sources

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

Référence: MSA Transformer
Dernière mise à jour: 1 January 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent MSA Transformer

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 MSA Transformer

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

0.8 GB

Le plus rapide

33,882 tok/s

MSA Transformer atteint un nombre de paramètres de 100M. 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 369 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 33,882 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

MSA Transformer a été publié par Facebook AI Research,University of California (UC) Berkeley,New York University (NYU), dans le pays enregistré comme United States of America, durant February 2021. La catégorie à laquelle appartient l'éditeur est industry,Academia,Academia.

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

Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.

Lire les chiffres de débit

La moitié des cartes qui le détiennent gèrent plus de 951.4 tokens par seconde 818 d'eux

Étant dense, il lit tout de lui-même par jeton, c'est pourquoi le classement par vitesse ci-dessous suit de si près le classement par bande passante mémoire.

Sans la disposition d'attention sur fichier, la colonne de mémoire est une approximation. Elle est suffisamment proche pour choisir le matériel, et la moins fiable sur un long contexte.

Comment il a été entraîné

L'entraînement a consommé environ 5.5 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 DGXS 32 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

L'entraînement a consommé un corpus d'environ 1,395,000,000,000 jetons de texte

La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.

Étape par étape

Comment choisir un GPU pour MSA Transformer

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 MSA Transformer, ayant besoin d'environ 0.8 GB à une compression de Q8_0. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
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. MSA Transformer.
03

Choisissez jusqu'où vous allez le compresser

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

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour MSA Transformer. 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 33,882 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de MSA Transformer. 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 nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour MSA Transformer.

Réponses

MSA Transformer — questions courantes

MSA Transformer— 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 0.8 GO et générant à peu près 5,675 jetons par seconde. L'adéquation est confortable.

MSA Transformer— 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.

MSA Transformer— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 100M. "We train an MSA Transformer model with 100M 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.

MSA Transformer— qui l'a créé ?

Il a été publié par Facebook AI Research,University of California (UC) Berkeley,New York University (NYU), basé sur United States of America, une organisation catégorisée comme industry,Academia,Academia.

MSA Transformer— quand a-t-il été publié ?

Il a été publié dans February 2021. 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.

MSA Transformer— à quoi ça sert ?

Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein folding prediction. 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.

MSA Transformer— 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.

MSA Transformer— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5.5 × 10²¹ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 DGXS 32 GB. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.

MSA Transformer— 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.

MSA Transformer— deux GPUs l'exécuteraient-ils plus rapidement ?

La capacité s'additionne entre les cartes ; le débit ne le fait pas. Le nombre de cartes déjà capables de le garder par elles-mêmes : 818. Ainsi, une seconde carte est rarement la réponse ici.

MSA Transformer— pourquoi la quantification diffère-t-elle entre les cartes ?

Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

MSA Transformer— quelle est la précision de ces estimations de vitesse ?

Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : 20,329–54,212 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.

MSA Transformer— 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 0.8 GB, et produit environ 369 tous les GPU capables de l'exécuter en total 818.

MSA Transformer— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 33,882 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 : 818.

MSA Transformer— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.8 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.

MSA Transformer— 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 0.8 GO et générant à peu près 6,311 jetons par seconde. L'adéquation est confortable.

MSA Transformer— 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 0.8 GO et générant à peu près 3,864 jetons par seconde. L'adéquation est confortable.

MSA Transformer— 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 0.8 GO et générant à peu près 4,786 jetons par seconde. L'adéquation est confortable.

Source

Publication originale

Dernière mise à jour enregistrée 1 January 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