Ankh_large TPS kalkulátor

Nyitott súlyok Technical University of Munich,Columbia University 1.9B Paraméterek January 2023

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 · 19.4 tok/s

Leggyorsabb kártya

B200

1,783 tok/s · 180 GB

Melyik GPU képes futtatni Ankh_large?

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
1,783 tok/s 1,070–2,853 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	2.7 GB	Q8_0	Kényelmes
1,783 tok/s 1,070–2,853 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	2.7 GB	Q8_0	Kényelmes
1,424 tok/s 854–2,278 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Kényelmes
1,424 tok/s 854–2,278 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	2.7 GB	Q8_0	Kényelmes
1,139 tok/s 683–1,822 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	2.7 GB	Q8_0	Kényelmes
1,090 tok/s 654–1,744 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Kényelmes
1,090 tok/s 654–1,744 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	2.7 GB	Q8_0	Kényelmes
1,043 tok/s 626–1,669 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	2.7 GB	Q8_0	Kényelmes
926 tok/s 556–1,481 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Kényelmes
926 tok/s 556–1,481 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Kényelmes
926 tok/s 556–1,481 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	2.7 GB	Q8_0	Kényelmes
878 tok/s 527–1,405 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	2.7 GB	Q8_0	Kényelmes
749 tok/s 449–1,198 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Kényelmes
749 tok/s 449–1,198 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	2.7 GB	Q8_0	Kényelmes
749 tok/s 449–1,198 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Kényelmes
749 tok/s 449–1,198 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Kényelmes
749 tok/s 449–1,198 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	2.7 GB	Q8_0	Kényelmes
570 tok/s 342–912 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Kényelmes
570 tok/s 342–912 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	2.7 GB	Q8_0	Kényelmes
475 tok/s 285–760 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	2.7 GB	Q8_0	Kényelmes
465 tok/s 279–744 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	2.7 GB	Q8_0	Kényelmes
455 tok/s 273–728 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	2.7 GB	Q8_0	Kényelmes
455 tok/s 273–728 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	2.7 GB	Q8_0	Kényelmes
455 tok/s 273–728 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	2.7 GB	Q8_0	Kényelmes
455 tok/s 273–728 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	2.7 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: Technical University of Munich,Columbia University
Szervezet típusa: Academia,Academia
Ország: Germany, United States of America
Közölt: 16 January 2023
Szerzők: Ahmed Elnaggar, Hazem Essam, Wafaa Salah-Eldin, Walid Moustafa, Mohamed Elkerdawy, Charlotte Rochereau, Burkhard Rost

Mit csinál

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

Tartomány: Biology
Feladat: Protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification

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: 1.9B
Képzési adatok: 14,000,000,000 tokens
Epochok: 68
Tételméret: 524,288

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: 6.5 × 10²¹ FLOP
Hogyan jött létre: Operation counting,Third-party estimation

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: 64
Teljesítményfogyasztás: 43.5 kW
Számítási költség: $4,802

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 (non-commercial)
Képzés kód: Unreleased
Hugging Face: ElnaggarLab

Hogyan van besorolva

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

Miért követik nyomon: SOTA improvement
Nyilvántartási bizalom: Confident
Hivatkozások: 159

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Ankh: Optimized Protein Language Model Unlocks General-Purpose Modelling
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Ankh_large

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 Ankh_large

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

Tesla C1080

Szükséges memória

2.7 GB

Leggyorsabb

1,783 tok/s

Ankh_large eléri a paraméterek számát 1.9B. 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 legkevesebb hardver, ami működik, az Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 19.4 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 1,783 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Ankh_large ki lett adva által Technical University of Munich,Columbia University, az országban rögzítve mint Germany, alatt January 2023. A kiadó szervezet a következő kategóriába tartozik academia,Academia.

Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification.

A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül. A Hugging Face-en az alábbi szervezet alatt van publikálva ElnaggarLab.

Milyen gyorsan fut, és miért

A kártyák felének, amelyek tartják, több mint 50.1 másodpercenkénti tokenek 789 tőlük

A sűrűsége miatt minden egyes tokent önállóan olvas, ezért a sebesség szerinti rendezés alább annyira közel követi a memória sávszélesség szerinti rendezést.

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.

Képzés és származás

A képzés futás körülbelül 6.5 × 10²¹ FLOP, hardveren rögzítve Google TPU v4. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 14,000,000,000 szöveg tokenjei

Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a Ankh_large

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 Ankh_large, körülbelül szükséges 2.7 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Állítsa be a használt CONTEXT LENGTH-et.

Állítsa be a kontextust arra, amit valójában használni fog. A cache a beszélgetéssel nő, és ez a szokásos oka annak, hogy egy kártya, amelynek korábban rendben kellett volna lennie, egyszer csak nem fér el. Ankh_large.
03

Válaszd ki, milyen messzire fogod tömöríteni.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., 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

A sebességsorrend lényegében egy sorrend a MEMÓRIA-SÁV szerint, a Ankh_large. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 1,783 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében Ankh_large. 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 a kártyát a másik oldalról.

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

Válaszok

Ankh_large — gyakori kérdések

Ankh_large— 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 2.7 GB és körülbelül generálás 299 másodpercenkénti tokenek. A illeszkedés kényelmes.

Ankh_large— 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.

Ankh_large— Hány paramétere van?

Paraméterszáma 1.9B. Figure 1 indicates 1.15B parameters, but both the huggingface model and a replication (https://huggingface.co/ElnaggarLab/ankh-large and https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1.full.pdf) indicate 1.9B parameters. Notebook for counting params: https://colab.research.google.com/drive/1EGI5_vDl4pOBUukJexMHQR16BFKJe4a5?usp=sharing. 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.

Ankh_large— Ki készítette ezt?

Kiadta Technical University of Munich,Columbia University, alapján Germany, egy szervezet, amelyet kategorizáltak mint academia,Academia.

Ankh_large— Mikor adták ki?

Kibocsátották a January 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

Ankh_large— Mire használják?

Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein generation, Proteins, Protein or nucleotide language model (pLM/nLM), Protein contact and distance prediction, Protein classification, Protein localization prediction, Protein fold classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

Ankh_large— Hol tudom letölteni?

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

Ankh_large— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 6.5 × 10²¹ FLOP, hardveren rögzítve Google TPU v4. 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.

Ankh_large— 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.

Ankh_large— 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: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

Ankh_large— miért különbözik a kvantálás a kártyák között?

Minden kártya a lehető legkevésbé tömörített másolatát futtatva jelenik meg, amit képes tárolni. A kártyákon elférő különböző tömörítési szintek száma: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Ankh_large— 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: 1,070–2,853 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Ankh_large— 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 2.7 GB, és körülbelül 19.4 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Ankh_large— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 1,783 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: 789.

Ankh_large— mennyi VRAM-ra van szüksége?

Kb. 2.7 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.

Ankh_large— 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 2.7 GB és körülbelül generálás 332 másodpercenkénti tokenek. A illeszkedés kényelmes.

Ankh_large— 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 2.7 GB és körülbelül generálás 203 másodpercenkénti tokenek. A illeszkedés kényelmes.

Ankh_large— 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 2.7 GB és körülbelül generálás 252 másodpercenkénti tokenek. A illeszkedés kényelmes.

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