DMPFold calculateur TPS

Ouvrir les poids University College London (UCL) 3.8M paramètres November 2018

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 · 9,701 tok/s

Carte la plus rapide

B200

891,641 tok/s · 180 GB

Quelles GPU peuvent exécuter DMPFold?

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
891,641 tok/s 534,985–1,426,625 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Confortable
891,641 tok/s 534,985–1,426,625 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Confortable
711,998 tok/s 427,199–1,139,196 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Confortable
711,998 tok/s 427,199–1,139,196 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Confortable
569,424 tok/s 341,654–911,079 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
545,015 tok/s 327,009–872,025 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Confortable
545,015 tok/s 327,009–872,025 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Confortable
521,610 tok/s 312,966–834,576 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Confortable
462,929 tok/s 277,757–740,686 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
462,929 tok/s 277,757–740,686 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
462,929 tok/s 277,757–740,686 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Confortable
439,133 tok/s 263,480–702,613 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
374,489 tok/s 224,694–599,183 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
374,489 tok/s 224,694–599,183 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Confortable
374,489 tok/s 224,694–599,183 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
374,489 tok/s 224,694–599,183 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
374,489 tok/s 224,694–599,183 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Confortable
285,147 tok/s 171,088–456,235 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Confortable
285,147 tok/s 171,088–456,235 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Confortable
237,622 tok/s 142,573–380,196 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
232,551 tok/s 139,531–372,082 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Confortable
227,368 tok/s 136,421–363,789 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Confortable
227,368 tok/s 136,421–363,789 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Confortable
227,368 tok/s 136,421–363,789 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Confortable
227,368 tok/s 136,421–363,789 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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 College London (UCL)
Type d'organisation: Academia
Pays: United Kingdom of Great Britain and Northern Ireland
Publié: 29 November 2018
Auteurs: Joe G. Greener, Shaun M. Kandathil and David T. Jones

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 folding prediction, Protein contact and distance 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: 3.8M
Données d'entraînement: 1,516,215,024 tokens
Époques: 75

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: Open source

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.

Confiance d'enregistrement: Likely
Citations: 174

Sources

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

Référence: Deep learning extends de novo protein modelling coverage of genomes using iteratively predicted structural constraints
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent DMPFold

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 DMPFold

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

Ce dont vous avez besoin pour l'exécuter

Carte minimale

Tesla C1080

Mémoire requise

0.7 GB

Le plus rapide

891,641 tok/s

DMPFold atteint un nombre de paramètres de 3.8M. 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.

Le matériel minimum qui fonctionne est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 9,701 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 891,641 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

D'où cela vient-il

DMPFold a été publié par University College London (UCL), dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant November 2018. L'organisation de publication est catégorisée comme academia.

Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Protein folding prediction, Protein contact and distance prediction.

Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir.

Comprendre les vitesses

La moitié des cartes qui le détiennent gèrent plus de 25,037.3 tokens par seconde 818 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.

La mémoire ici est estimée à partir de la taille plutôt que calculée à partir de l'architecture, qui n'est pas enregistrée pour ce modèle — les chiffres sont indicatifs plutôt qu'exacts.

Entraînement et provenance

Il a été entraîné sur un corpus d'environ 1,516,215,024 jetons de texte

Étape par étape

Comment choisir un GPU pour DMPFold

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

Vérifiez ce dont cela a besoin avant toute autre chose

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de DMPFold, ayant besoin d'environ 0.7 GB à une compression de Q8_0. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
02

Décidez combien de temps vos conversations tournent

Les conversations plus longues coûtent de la MÉMOIRE en plus de ce dont les POIDS ont besoin. Déplacez le curseur à votre longueur de travail réelle avant de faire confiance à une ligne pour DMPFold.
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

Classer par débit plutôt que par fiche technique

La commande de vitesse est effectivement un classement par bande passante mémoire, pour DMPFold. 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 891,641 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de DMPFold. 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

Ouvrez la carte sur laquelle vous vous êtes arrêté.

Suivre une CARTE jusqu'à sa propre page montre chaque autre MODÈLE qu'elle peut supporter, ce qui est la question qui suit une fois que vous vous êtes décidé sur DMPFold.

Réponses

DMPFold — questions courantes

DMPFold— 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 0.7 GO et générant à peu près 149,350 jetons par seconde. L'adéquation est confortable.

DMPFold— 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.

DMPFold— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 3.8M. Based on Fig. 9: Distance predictor network: [Total = 17684] (1) Maxout2D: 0 parameters (2) ResBlock x 18: 2*64*18 = 16384 parameters (a shift and scale parameter for every InstanceNorm2D layer) (3) Conv2D 1x1: 64*20 + 20 = 1300 parameters (4) Softmax: 0 parameters Hydrogen bond predictor network: [Total = 3691073] (1) Maxout2D: 0 parameters (2) ResBlock x 18: (2*64*2 + 5*5*64*64*2)*18 = 3 691 008 parameters (3) Conv2D 1x1: 64*1 + 1 = 65 parameters (4) Sigmoid: 0 parameters Torsion angles and errors network [Total = 115459] (1) Maxout2D: 0 parameters (2) ResBlock x 18: 2*64*18 = 16384 parameters (a shift and scale parameter for every InstanceNorm2D layer) (3) BLSTM: 4×2×(N+M)×M where M is 128 (hidden units in BLSTM layer) and N is 64 (input dimensionality) = 98304 (4) Conv1D 1x1: 256*3 + 3 = 771 parameters Estimate total parameters = 3.8e6 parameters [See Section 'Additional constraint types and iterative predictions': "a bidirectional recurrent LSTM layer with 128 hidden units (BLSTM in Fig. 9c), which embeds each row of the final 2-D 64-channel feature map in a single 256-D vector (concatenation of 128-D final timestep output states of the forward and reverse direction LSTM passes)"]. 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.

DMPFold— qui l'a créé ?

Il a été publié par University College London (UCL), basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.

DMPFold— quand a-t-il été publié ?

Il a été publié dans November 2018. 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.

DMPFold— à quoi ça sert ?

Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein folding prediction, Protein contact and distance 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— 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.

DMPFold— 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 : 534,985–1,426,625 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.

DMPFold— 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 0.7 GB, et produit environ 9,701 tous les GPU capables de l'exécuter en total 818.

DMPFold— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 891,641 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.

DMPFold— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.7 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.

DMPFold— 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 0.7 GO et générant à peu près 166,068 jetons par seconde. L'adéquation est confortable.

DMPFold— 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 0.7 GO et générant à peu près 101,692 jetons par seconde. L'adéquation est confortable.

DMPFold— 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 0.7 GO et générant à peu près 125,944 jetons par seconde. L'adéquation est confortable.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

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