C2S-Scale TPS kalkulátor

Nyitott súlyok Google Research,Yale University,Google DeepMind,Brown University,University of Southern California 27B Paraméterek October 2025

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

241 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 7120P

16 GB · Q3_K_M · 9.7 tok/s

Leggyorsabb kártya

B200

125 tok/s · 180 GB

Melyik GPU képes futtatni C2S-Scale?

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.

241 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
125 tok/s 75–201 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	29.6 GB	Q8_0	Kényelmes
125 tok/s 75–201 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	29.6 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	29.6 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	29.6 GB	Q8_0	Kényelmes
80.1 tok/s 48–128 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	29.6 GB	Q8_0	Kényelmes
76.7 tok/s 46–123 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.6 GB	Q8_0	Kényelmes
76.7 tok/s 46–123 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	29.6 GB	Q8_0	Kényelmes
73.4 tok/s 44–117 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	29.6 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	29.6 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	29.6 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	29.6 GB	Q8_0	Kényelmes
61.8 tok/s 37–99 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	29.6 GB	Q8_0	Kényelmes
52.7 tok/s 32–84 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.6 GB	Q8_0	Kényelmes
52.7 tok/s 32–84 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	29.6 GB	Q8_0	Kényelmes
52.7 tok/s 32–84 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	29.6 GB	Q8_0	Kényelmes
52.7 tok/s 32–84 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	29.6 GB	Q8_0	Kényelmes
52.7 tok/s 32–84 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	29.6 GB	Q8_0	Kényelmes
47.8 tok/s 29–77 · alacsony bizalom	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	13.9 GB	Q3_K_M	Szoros
42.6 tok/s 26–68 · alacsony bizalom	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.3 GB	Q6_K	Kényelmes
42.6 tok/s 26–68 · alacsony bizalom	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.3 GB	Q6_K	Kényelmes
40.8 tok/s 24–65 · alacsony bizalom	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.3 GB	Q6_K	Kényelmes
40.8 tok/s 24–65 · alacsony bizalom	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.3 GB	Q6_K	Kényelmes
40.6 tok/s 24–65 · alacsony bizalom	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	13.9 GB	Q3_K_M	Szoros
40.1 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	29.6 GB	Q8_0	Kényelmes
40.1 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	29.6 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: Google Research,Yale University,Google DeepMind,Brown University,University of Southern California
Szervezet típusa: Industry,Academia,Industry,Academia,Academia
Ország: United States of America
Közölt: 11 October 2025
Szerzők: Syed Asad Rizvi, Daniel Levine, Aakash Patel, Shiyang Zhang, Eric Wang, Curtis Jamison Perry, Nicole Mayerli Constante, Sizhuang He, David Zhang, Cerise Tang, Zhuoyang Lyu, Rayyan Darji, Chang Li, Emily Sun, David Jeong, Lawrence Zhao, Jennifer Kwan, David Braun, Brian Hafler, Hattie Chung, Rahul M. Dhodapkar, Bryan Perozzi, Jeffrey Ishizuka, Shekoofeh Azizi, David van Dijk

Mit csinál

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

Tartomány: Language, Biology
Feladat: Cell Biology, RNA sequence generation, Language modeling/generation, Question answering
Alapmodell: Gemma 2 27B

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: 27B
Képzési adatok: 1,000,000,000 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.

Hogyan jött létre: Operation counting
Finomhangolás számítás: 1.6 × 10²⁰ FLOP

A tréning futás

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

Képzési hardver: Google TPU v4
Használt chipek: 256
Teljesítményfogyasztás: 170.0 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: Unreleased
Hugging Face: vandijklab

Hogyan van besorolva

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

Nyilvántartási bizalom: Likely

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Scaling Large Language Models for Next-Generation Single-Cell Analysis
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni C2S-Scale

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 C2S-Scale

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

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

Xeon Phi 7120P

Szükséges memória

13.9 GB

Leggyorsabb

125 tok/s

C2S-Scale eléri a paraméterek számát 27B. Ez a tartományba esik, amelyet egy komoly asztali KÁRTYA kezelni tud, miután a súlyok tömörítve vannak. Azoknak a KÁRTYÁKNAK a száma, amelyeket nyomon követünk, és amelyek képesek futtatni: 241.

A legkevesebb hardver, ami működik, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 9.7 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 125 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

C2S-Scale ki lett adva által Google Research,Yale University,Google DeepMind,Brown University,University of Southern California, az országban rögzítve mint United States of America, alatt October 2025. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Academia,Industry,Academia,Academia.

Működik a területen a Language, Biology, és úgy van rögzítve, mint a feladat végrehajtása cell Biology, RNA sequence generation, Language modeling/generation, Question answering.

Ahelyett, hogy nulláról lenne betanítva, az származik Gemma 2 27B. Ezért osztja a bázismodell általános formáját és méretét.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását. A Hugging Face-en az alábbi szervezet alatt van publikálva vandijklab.

Milyen gyorsan fut, és miért

A kártyák felének, amelyek tartják, több mint 19.0 másodpercenkénti tokenek 196 tőlük

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

A belső architektúrája nincs nyilvántartásban, így a memória a paraméterek száma alapján van megbecsülve és ennek megfelelően van megjelölve. Várhatóan a tényleges érték eltér, különösen hosszú CONTEXT LENGTH esetén.

Hogyan lett betanítva

A tanító készlet kb. futott 1,000,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a C2S-Scale

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

01

Nézd meg, mire van szüksége, mielőtt bármi mást tennél.

Minden kártyát itt leellenőriztünk a következőkkel szemben C2S-Scale, körülbelül szükséges 13.9 GB a tömörítésnél Q3_K_M. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

A hosszabb beszélgetések memóriaigénye van a súlyok szükségletén kívül. Húzd el a csúszkát a valódi munkahosszodra, mielőtt bármelyik sort megbízhatónak tartanád. C2S-Scale.
03

Döntsd el, mennyi tömörítést fogadsz el.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., elérni egy tömörítést a Q3_K_M 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

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért C2S-Scale. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 125 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében C2S-Scale. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nézd meg, mit futtat még az a kártya.

Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy C2S-Scale.

Válaszok

C2S-Scale — gyakori kérdések

C2S-Scale— mennyi VRAM-ra van szüksége?

Kb. 13.9 GB tömörítési arányban Q3_K_M, 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.

C2S-Scale— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q3_K_M, használva körülbelül 13.9 GB és körülbelül generálás 47.8 tokensek másodpercenként. A fit szoros.

C2S-Scale— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q5_K_M, használva körülbelül 20.2 GB és körülbelül generálás 37.5 tokensek másodpercenként. A fit szoros.

C2S-Scale— 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.

C2S-Scale— Hány paramétere van?

Paraméterszáma 27B. 27B. 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.

C2S-Scale— Ki készítette ezt?

Kiadta Google Research,Yale University,Google DeepMind,Brown University,University of Southern California, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia,Industry,Academia,Academia.

C2S-Scale— Mikor adták ki?

Kibocsátották a October 2025.

C2S-Scale— Mire használják?

Működik a területen a Language, Biology, és rögzítve van, hogy kezeli a feladatot cell Biology, RNA sequence generation, Language modeling/generation, Question answering. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

C2S-Scale— Hol tudom letölteni?

Súlyait a Hugging Face-en tette közzé, a szervezet alatt vandijklab. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.

C2S-Scale— 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. A legközelebbi hiba, amit számítunk, alulmúlja 6.2 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

C2S-Scale— Futtatna-e két GPU gyorsabban?

Egy második Kártya körülbelül megduplázza a rendelkezésre álló MEMÓRIÁT, de nem a generálási sebességet. A szám, amely már képes egyedül futtatni: 241. Tehát egy második KÁRTYA ritkán a megoldás itt.

C2S-Scale— miért különbözik a kvantálás a kártyák között?

Mivel a kapacitás változik, úgy az is, hogy mennyire kell összenyomni. A fenti táblázatban lévő különböző szintek száma: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

C2S-Scale— Mennyire pontosak ezek a sebességbecslések?

Minden szám a memória sávszélességből és a modell méretéből származik, nem benchmarkolták, ezért mindet tartományként tették közzé, nem pedig egyetlen számként. Egy például: 75–201 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

C2S-Scale— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB. A modell egy tömörítéssel fut. Q3_K_M használva körülbelül 13.9 GB, és körülbelül 9.7 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 241.

C2S-Scale— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 125 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: 196.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 28 November 2025

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