ESM2-150M TPS kalkulátor

Nyitott súlyok Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT) 150M Paraméterek July 2022

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 · 246 tok/s

Leggyorsabb kártya

B200

22,588 tok/s · 180 GB

Melyik GPU képes futtatni ESM2-150M?

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
22,588 tok/s 13,553–36,141 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.9 GB	Q8_0	Kényelmes
22,588 tok/s 13,553–36,141 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.9 GB	Q8_0	Kényelmes
18,037 tok/s 10,822–28,860 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Kényelmes
18,037 tok/s 10,822–28,860 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.9 GB	Q8_0	Kényelmes
14,425 tok/s 8,655–23,081 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.9 GB	Q8_0	Kényelmes
13,807 tok/s 8,284–22,091 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Kényelmes
13,807 tok/s 8,284–22,091 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.9 GB	Q8_0	Kényelmes
13,214 tok/s 7,928–21,143 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.9 GB	Q8_0	Kényelmes
11,728 tok/s 7,037–18,764 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Kényelmes
11,728 tok/s 7,037–18,764 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Kényelmes
11,728 tok/s 7,037–18,764 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.9 GB	Q8_0	Kényelmes
11,125 tok/s 6,675–17,800 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.9 GB	Q8_0	Kényelmes
9,487 tok/s 5,692–15,179 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Kényelmes
9,487 tok/s 5,692–15,179 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.9 GB	Q8_0	Kényelmes
9,487 tok/s 5,692–15,179 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Kényelmes
9,487 tok/s 5,692–15,179 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Kényelmes
9,487 tok/s 5,692–15,179 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.9 GB	Q8_0	Kényelmes
7,224 tok/s 4,334–11,558 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Kényelmes
7,224 tok/s 4,334–11,558 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.9 GB	Q8_0	Kényelmes
6,020 tok/s 3,612–9,632 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.9 GB	Q8_0	Kényelmes
5,891 tok/s 3,535–9,426 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.9 GB	Q8_0	Kényelmes
5,760 tok/s 3,456–9,216 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.9 GB	Q8_0	Kényelmes
5,760 tok/s 3,456–9,216 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.9 GB	Q8_0	Kényelmes
5,760 tok/s 3,456–9,216 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.9 GB	Q8_0	Kényelmes
5,760 tok/s 3,456–9,216 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.9 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: Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT)
Szervezet típusa: Industry,Academia,Academia,Academia
Ország: United States of America
Közölt: 21 July 2022
Szerzők: Zeming Lin, Halil Akin, Roshan Rao, Brian Hie, Zhongkai Zhu, Wenting Lu, Nikita Smetanin, Robert Verkuil, Ori Kabeli, Yaniv Shmueli, Allan dos Santos Costa, Maryam Fazel-Zarandi, Tom Sercu, Salvatore Candido, Alexander Rives

Mit csinál

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

Tartomány: Biology
Feladat: Proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction
Megközelítés: Unsupervised

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: 150M
Képzési adatok: 15,360,000,000 tokens
Epochok: 83.3

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: 1.1 × 10²¹ FLOP
Hogyan jött létre: Third-party estimation

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

Hogyan van besorolva

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

Nyilvántartási bizalom: Confident
Hivatkozások: 636

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Evolutionary-scale prediction of atomic-level protein structure with a language model
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni ESM2-150M

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 ESM2-150M

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

Mit jelentenek a számok

A hardver oldal

Minimális kártya

Tesla C1080

Szükséges memória

0.9 GB

Leggyorsabb

22,588 tok/s

ESM2-150M eléri a paraméterek számát 150M. 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.

az alsó végén ezt kezelik Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 246 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 22,588 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

ESM2-150M ki lett adva által Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), az országban rögzítve mint United States of America, alatt July 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Academia,Academia,Academia.

Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction.

Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted.

A átbocsátási számadatok olvasása

A kártyák felének, amelyek tartják, több mint 634.3 másodpercenkénti tokenek. Jogosultsági olvasási sebesség: 818 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 1.1 × 10²¹ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A képzés körülbelül egy korpuszt fogyasztott 15,360,000,000 szöveg tokenjei

Lépésről lépésre

Hogyan válasszunk GPU-t a ESM2-150M

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.

Minden kártyát itt leellenőriztünk a következőkkel szemben ESM2-150M, körülbelül szükséges 0.9 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

A beszélgetés is elfoglalja a VRAM-ot, és ahogy halad, nő. Állítsa be a csúszkát a várt hosszúságra, mert hosszú kontextusnál egy kártya, amely könnyen kezeli a rövid kérdéseket, lemaradhat. ESM2-150M.
03

Állítsa be a minőségi minimumot

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 ESM2-150M. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 22,588 tok/s
05

Olvasd el az illeszkedés oszlopot utoljára.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben ESM2-150M. 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 ESM2-150M.

Válaszok

ESM2-150M — gyakori kérdések

ESM2-150M— Hol tudom letölteni?

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

ESM2-150M— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 1.1 × 10²¹ FLOP. 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.

ESM2-150M— 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.

ESM2-150M— 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.

ESM2-150M— 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: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

ESM2-150M— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 13,553–36,141 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

ESM2-150M— 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 0.9 GB, és körülbelül 246 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

ESM2-150M— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 22,588 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.

ESM2-150M— mennyi VRAM-ra van szüksége?

Kb. 0.9 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.

ESM2-150M— 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 0.9 GB és körülbelül generálás 4,207 másodpercenkénti tokenek. A illeszkedés kényelmes.

ESM2-150M— 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 0.9 GB és körülbelül generálás 2,576 másodpercenkénti tokenek. A illeszkedés kényelmes.

ESM2-150M— 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 0.9 GB és körülbelül generálás 3,191 másodpercenkénti tokenek. A illeszkedés kényelmes.

ESM2-150M— 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 0.9 GB és körülbelül generálás 3,784 másodpercenkénti tokenek. A illeszkedés kényelmes.

ESM2-150M— 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.

ESM2-150M— Hány paramétere van?

Paraméterszáma 150M. In the name. 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.

ESM2-150M— Ki készítette ezt?

Kiadta Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia,Academia,Academia.

ESM2-150M— Mikor adták ki?

Kibocsátották a July 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

ESM2-150M— Mire használják?

Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

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