Prithvi WxC calculateur TPS

Ouvrir les poids IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA 2.3B paramètres September 2024

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 · 16.0 tok/s

Carte la plus rapide

B200

1,473 tok/s · 180 GB

Quelles GPU peuvent exécuter Prithvi WxC?

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
1,473 tok/s 884–2,357 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.2 GB	Q8_0	Confortable
1,473 tok/s 884–2,357 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.2 GB	Q8_0	Confortable
1,176 tok/s 706–1,882 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Confortable
1,176 tok/s 706–1,882 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Confortable
941 tok/s 564–1,505 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.2 GB	Q8_0	Confortable
900 tok/s 540–1,441 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Confortable
900 tok/s 540–1,441 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Confortable
862 tok/s 517–1,379 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.2 GB	Q8_0	Confortable
765 tok/s 459–1,224 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Confortable
765 tok/s 459–1,224 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Confortable
765 tok/s 459–1,224 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Confortable
726 tok/s 435–1,161 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.2 GB	Q8_0	Confortable
619 tok/s 371–990 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Confortable
619 tok/s 371–990 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.2 GB	Q8_0	Confortable
619 tok/s 371–990 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Confortable
619 tok/s 371–990 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Confortable
619 tok/s 371–990 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Confortable
471 tok/s 283–754 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Confortable
471 tok/s 283–754 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Confortable
393 tok/s 236–628 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.2 GB	Q8_0	Confortable
384 tok/s 231–615 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.2 GB	Q8_0	Confortable
376 tok/s 225–601 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.2 GB	Q8_0	Confortable
376 tok/s 225–601 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.2 GB	Q8_0	Confortable
376 tok/s 225–601 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.2 GB	Q8_0	Confortable
376 tok/s 225–601 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.2 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: IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA
Type d'organisation: Industry,Academia,Academia,Academia,Government,Government
Pays: United States of America
Publié: 20 September 2024
Auteurs: Johannes Schmude, Sujit Roy, Will Trojak, Johannes Jakubik, Daniel Salles Civitarese, Shraddha Singh, Julian Kuehnert, Kumar Ankur, Aman Gupta, Christopher E Phillips, Romeo Kienzler, Daniela Szwarcman, Vishal Gaur, Rajat Shinde, Rohit Lal, Arlindo Da Silva, Jorge Luis Guevara Diaz, Anne Jones, Simon Pfreundschuh, Amy Lin, Aditi Sheshadri, Udaysankar Nair, Valentine Anantharaj, Hendrik Hamann, Cam…

Ce qu'il fait

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

Domaine: Earth science
Tâche: Weather forecasting

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: 2.3B
Données d'entraînement: 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: 7.2 × 10¹⁹ 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 A100
Chips utilisés: 64
Consommation d'énergie: 50.4 kW

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
Hugging Face: ibm-nasa-geospatial

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: Confident
Citations: 38

Sources

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

Référence: Prithvi WxC: Foundation Model for Weather and Climate
Dernière mise à jour: 25 May 2026

Les extrêmes

Les dix GPU les plus rapides qui exécutent Prithvi WxC

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 Prithvi WxC

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

Exigences matérielles en pratique

Carte minimale

Tesla C1080

Mémoire requise

3.2 GB

Le plus rapide

1,473 tok/s

Prithvi WxC atteint un nombre de paramètres de 2.3B. 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 point d'entrée est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 16.0 tokens par seconde

À l'autre extrémité se trouve B200, générant à peu près 1,473 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

Prithvi WxC a été publié par IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, dans le pays enregistré comme United States of America, durant September 2024. L'organisation de publication est catégorisée comme industry,Academia,Academia,Academia,Government,Government.

Il fonctionne dans le domaine de Earth science, et est enregistré comme exécutant la tâche de weather forecasting.

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. Sur Hugging Face, il est publié sous l'organisation ibm-nasa-geospatial.

Qu'est-ce qui détermine la vitesse

La moitié des cartes qui le détiennent gèrent plus de 41.4 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 785 d'eux

Chaque poids participe à chaque jeton ici, donc la bande passante est toute l'histoire : le classement ci-dessous est effectivement un classement du débit de mémoire.

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.

Comment il a été entraîné

L'entraînement a consommé environ 7.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Étape par étape

Comment choisir un GPU pour Prithvi WxC

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

Lisez d'abord le chiffre de mémoire

Commencez par ce dont il a réellement besoin, c'est-à-dire l'exigence de Prithvi WxC, ayant besoin d'environ 3.2 GB à une compression de Q8_0. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
02

Définissez la LONGUEUR DE CONTEXTE à laquelle vous travaillerez.

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 Prithvi WxC.
03

Décidez combien de compression vous allez accepter

La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise., 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

Trier par vitesse pour voir comment les cartes se classent pour Prithvi WxC. 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 1,473 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de Prithvi WxC. 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

Vérifiez la carte de l'autre côté

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 Prithvi WxC.

Réponses

Prithvi WxC — questions courantes

Prithvi WxC— qui l'a créé ?

Il a été publié par IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, basé sur United States of America, une organisation catégorisée comme industry,Academia,Academia,Academia,Government,Government.

Prithvi WxC— quand a-t-il été publié ?

Il a été publié dans September 2024. 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.

Prithvi WxC— à quoi ça sert ?

Il fonctionne dans le domaine de Earth science, et est enregistré comme gérant la tâche de weather forecasting. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Prithvi WxC— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation ibm-nasa-geospatial. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

Prithvi WxC— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 7.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. 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.

Prithvi WxC— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Prithvi WxC— 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.

Prithvi WxC— 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.

Prithvi WxC— quelle est la précision de ces estimations de vitesse ?

Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : 884–2,357 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.

Prithvi WxC— 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 3.2 GB, et produit environ 16.0 tous les GPU capables de l'exécuter en total 818.

Prithvi WxC— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 1,473 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 : 785.

Prithvi WxC— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 3.2 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.

Prithvi WxC— 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 3.2 GO et générant à peu près 274 jetons par seconde. L'adéquation est confortable.

Prithvi WxC— 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 3.2 GO et générant à peu près 168 jetons par seconde. L'adéquation est confortable.

Prithvi WxC— 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 3.2 GO et générant à peu près 208 jetons par seconde. L'adéquation est confortable.

Prithvi WxC— 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 3.2 GO et générant à peu près 247 jetons par seconde. L'adéquation est confortable.

Prithvi WxC— 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.

Prithvi WxC— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 2.3B. a 2.3 billion parameter foundation model developed using 160 variables from the Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). 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.

Source

Publication originale

Dernière mise à jour enregistrée 25 May 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