RNA-FrameFlow TPS kalkulátor

Nyitott súlyok National University of Singapore,Prescient Design,University of Missouri,University of Cambridge 16.8M Paraméterek June 2024

Minden kártyát az alábbiak szerint értékelünk e modell alapján a választott kontextus hossza és minimális minőség szerint. A sebesség egy becslés egyetlen kérésre, amelyet a kártya memória sávszélessége és a modell mérete alapján számítunk ki, miután tömörítettük..

Kiszámítva ehhez a MODElhez

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · Q8_0 · 2,194 tok/s

Leggyorsabb kártya

B200

201,681 tok/s · 180 GB

Melyik GPU képes futtatni RNA-FrameFlow?

Állítsa be a bemeneteket, olvassa el a választ

Kontekthossz tokenek

Egy hosszabb beszélgetés több memóriaigényt támaszt, ami kiszoríthatja ezt a modellt a kisebb kártyákról..

Minimum minőség

Elrejti azokat a GPU-kártyákat, amelyek csak a modellbe illeszkednének a compressziójuk ezen pont alá..

Kártyák keresése

Kártya memória

Olyan kártyákat is mutasson, amelyek nem tudják futtatni.

818 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
201,681 tok/s 121,008–322,689 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Kényelmes
201,681 tok/s 121,008–322,689 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Kényelmes
161,047 tok/s 96,628–257,675 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Kényelmes
161,047 tok/s 96,628–257,675 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Kényelmes
128,798 tok/s 77,279–206,077 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
123,277 tok/s 73,966–197,244 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Kényelmes
123,277 tok/s 73,966–197,244 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Kényelmes
117,983 tok/s 70,790–188,773 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Kényelmes
104,710 tok/s 62,826–167,536 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
104,710 tok/s 62,826–167,536 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
104,710 tok/s 62,826–167,536 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Kényelmes
99,328 tok/s 59,597–158,924 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
84,706 tok/s 50,824–135,529 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
84,706 tok/s 50,824–135,529 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Kényelmes
84,706 tok/s 50,824–135,529 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
84,706 tok/s 50,824–135,529 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
84,706 tok/s 50,824–135,529 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes
64,497 tok/s 38,698–103,196 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Kényelmes
64,497 tok/s 38,698–103,196 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Kényelmes
53,748 tok/s 32,249–85,997 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
52,601 tok/s 31,561–84,161 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Kényelmes
51,429 tok/s 30,857–82,286 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Kényelmes
51,429 tok/s 30,857–82,286 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Kényelmes
51,429 tok/s 30,857–82,286 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Kényelmes
51,429 tok/s 30,857–82,286 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 GB	Q8_0	Kényelmes

A sebességek egyetlen kérésre - egy beszélgetés egy időben - vonatkozó becslések, amelyeket a MEMORY BANDWIDTH, a MODEL SIZE és a QUANTISATION alapján számítanak ki. A valós áteresztőképesség változik az INFERENCE RUNTIME és annak verziója szerint. A HARDWARE VENDORS által közzétett számok sok párhuzamos kérést mérnek, és sokkal magasabbak..

Nyilvántartásban

Teljes specifikáció

Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..

Eredet

Ki építette ezt a modellt, hol, és mikor publikálták.

Szervezet: National University of Singapore,Prescient Design,University of Missouri,University of Cambridge
Szervezet típusa: Academia,Industry,Academia,Academia
Ország: Singapore, United States of America, United Kingdom of Great Britain and Northern Ireland
Közölt: 19 June 2024
Szerzők: Rishabh Anand, Chaitanya K. Joshi, Alex Morehead, Arian R. Jamasb, Charles Harris, Simon V. Mathis, Kieran Didi, Bryan Hooi, Pietro Liò

Mit csinál

A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.

Tartomány: Biology
Feladat: RNA design

Méret

Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.

Paraméterek: 16.8M
Képzési adatok: tokens

Képzés számítás

A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.

Képzés számítás: 3.7 × 10¹⁸ FLOP
Hogyan jött létre: Hardware

A tréning futás

Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.

Képzési hardver: NVIDIA GeForce RTX 3090
Használt chipek: 4
Fali óra idő: 18 hours
Teljesítményfogyasztás: 2.8 kW

Elérhetőség

Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.

Súlyok: Open — downloadable
Modell hozzáférés: Open weights (unrestricted)
Képzés kód: Open source

Hogyan van besorolva

Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.

Nyilvántartási bizalom: Confident
Hivatkozások: 11

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: RNA-FrameFlow: Flow Matching for de novo 3D RNA Backbone Design
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni RNA-FrameFlow

A másodpercenkénti becsült tokenek alapján rangsorolva, a legújabb kártyát először, ahol a sebességek azonosak. Mivel a generálás a MEMÓRIA SZÉLESSÉGÉhez van kötve, ez a sorrend a sávszélességet követi, nem pedig bármilyen játékbeli tesztet..

A legkisebb GPU-k, amik még futnak RNA-FrameFlow

A legolcsóbb út, a memória kapacitás alapján. Egy szoros illeszkedés futtatja a modellt, de semmit sem hagy a hosszabb beszélgetésre..

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

Tesla C1080

Szükséges memória

0.7 GB

Leggyorsabb

201,681 tok/s

RNA-FrameFlow eléri a paraméterek számát 16.8M. Ez elég kicsi ahhoz, hogy a hardver ritkán legyen az akadály, beleértve a több éves kártyákat is. Azoknak a kártyáknak a száma, amelyeket nyomon követünk, és amelyek el tudják futtatni: 818.

A belépési pont a Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 2,194 tokenek másodpercenként

A leggyorsabb eredmény a következőből származik B200, nagyjából generálás 201,681 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

RNA-FrameFlow ki lett adva által National University of Singapore,Prescient Design,University of Missouri,University of Cambridge, az országban rögzítve mint Singapore, alatt June 2024. A kiadó szervezet a következő kategóriába tartozik academia,Industry,Academia,Academia.

Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása rNA design.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.

Mi dönti el a sebességet

A medián eredmény körül 5,663.2 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 818 tőlük

Minden súly részt vesz minden tokenben itt, így a sávszélesség a teljes történet: az alábbi rangsor lényegében a memória átbocsátóképességének rangsora.

Nélkül az attention elrendezés a nyilvántartásban, a memory oszlop egy közelítés. Elég közel van ahhoz, hogy hardver kiválasztását lehessen végezni, és a leghitványosabb hosszú context esetén.

Mi került a felépítésébe

A képzés futás körülbelül 3.7 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Lépésről lépésre

Hogyan válasszunk GPU-t a RNA-FrameFlow

A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..

01

Kezdj a GPU VRAM oszloptól.

A táblázat felsorolja az összes kártyát, amely képes tartani RNA-FrameFlow, körülbelül szükséges 0.7 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Illeszd a kontextust a tényleges használatodhoz.

A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. RNA-FrameFlow.
03

Állítsa be a minőségi minimumot

A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., elérni egy tömörítést a Q8_0 a legkisebb kártyán, ami elfér. A minimális minőség beállítása eldobja azokat a kártyákat, amelyek csak úgy tudják kezelni, hogy tovább szorítanak, mint amit szeretnél, és egy szinten tartja az összehasonlítást.
04

Rendezés sebesség szerint

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. RNA-FrameFlow. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 201,681 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben RNA-FrameFlow. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nyisd meg a kiválasztott kártyát.

Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy RNA-FrameFlow.

Válaszok

RNA-FrameFlow — gyakori kérdések

RNA-FrameFlow— Hány paramétere van?

Paraméterszáma 16.8M. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.

RNA-FrameFlow— Ki készítette ezt?

Kiadta National University of Singapore,Prescient Design,University of Missouri,University of Cambridge, alapján Singapore, egy szervezet, amelyet kategorizáltak mint academia,Industry,Academia,Academia.

RNA-FrameFlow— Mikor adták ki?

Kibocsátották a June 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

RNA-FrameFlow— Mire használják?

Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot rNA design. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

RNA-FrameFlow— Hol tudom letölteni?

A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.

RNA-FrameFlow— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 3.7 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.

RNA-FrameFlow— Futtathatom, ha nem fér el a GPU-mban?

Részben. Azok a rétegek, amelyek nem férnek el a GPU VRAM-ban, a rendszer memóriájában ülnek és a sebesség egy töredékén futnak, így egy túlnyomórészt áthelyezett AI model használata ritkán éri meg. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

RNA-FrameFlow— Futtatna-e két GPU gyorsabban?

Két kártya memóriát vásárol, nem sebességet, ami csak akkor számít, ha az egyik kártya nem tudja tartani. Az a szám, ami tudja: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

RNA-FrameFlow— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

RNA-FrameFlow— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 121,008–322,689 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

RNA-FrameFlow— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla C1080, memória kapacitással rendelkezik 4 GB. A modell egy tömörítéssel fut. Q8_0 használva körülbelül 0.7 GB, és körülbelül 2,194 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

RNA-FrameFlow— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 201,681 tokenek másodpercenként; a leglassabb, ami még fut, jelentősen kevesebbet képes kezelni. Az olvasási sebesség körülbelül tíz token másodpercenként, és a kártyák száma, amelyek ezt meg tudják tisztítani: 818.

RNA-FrameFlow— mennyi VRAM-ra van szüksége?

Kb. 0.7 GB tömörítési arányban Q8_0, melyik az a legkisebb KÁRTYA, amelyik futtatni tudja. Kevesebb tömörítés több szükséges: a fentebbi memória oszlop számai minden KÁRTYÁRA újraszámításra kerülnek, mert mindegyik tartalmazza a legkevésbé tömörített verziót, amit csak tud.

RNA-FrameFlow— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 0.7 GB és körülbelül generálás 37,563 másodpercenkénti tokenek. A illeszkedés kényelmes.

RNA-FrameFlow— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 0.7 GB és körülbelül generálás 23,002 másodpercenkénti tokenek. A illeszkedés kényelmes.

RNA-FrameFlow— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 0.7 GB és körülbelül generálás 28,487 másodpercenkénti tokenek. A illeszkedés kényelmes.

RNA-FrameFlow— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 0.7 GB és körülbelül generálás 33,782 másodpercenkénti tokenek. A illeszkedés kényelmes.

RNA-FrameFlow— Nyílt forráskódú?

Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 25 May 2026

A másik irány

Másik oldalról nézve?

Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..

Minden AI modell