OntoProtein TPS kalkulátor

Nyitott súlyok Zhejiang University (ZJU) 420M Paraméterek January 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 · 87.8 tok/s

Leggyorsabb kártya

B200

8,067 tok/s · 180 GB

Melyik GPU képes futtatni OntoProtein?

Állítsa be a bemeneteket, olvassa el a választ

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

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

818 kártyák illeszkednek

Számítás
Szükséges Kvantisálás Illeszkedik
8,067 tok/s

4,840–12,908 · alacsony bizalom

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Kényelmes
8,067 tok/s

4,840–12,908 · alacsony bizalom

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Kényelmes
6,442 tok/s

3,865–10,307 · alacsony bizalom

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
6,442 tok/s

3,865–10,307 · alacsony bizalom

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Kényelmes
5,152 tok/s

3,091–8,243 · alacsony bizalom

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
4,931 tok/s

2,959–7,890 · alacsony bizalom

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
4,931 tok/s

2,959–7,890 · alacsony bizalom

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Kényelmes
4,719 tok/s

2,832–7,551 · alacsony bizalom

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Kényelmes
4,188 tok/s

2,513–6,701 · alacsony bizalom

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,188 tok/s

2,513–6,701 · alacsony bizalom

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
4,188 tok/s

2,513–6,701 · alacsony bizalom

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Kényelmes
3,973 tok/s

2,384–6,357 · alacsony bizalom

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,388 tok/s

2,033–5,421 · alacsony bizalom

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,388 tok/s

2,033–5,421 · alacsony bizalom

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Kényelmes
3,388 tok/s

2,033–5,421 · alacsony bizalom

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,388 tok/s

2,033–5,421 · alacsony bizalom

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
3,388 tok/s

2,033–5,421 · alacsony bizalom

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Kényelmes
2,580 tok/s

1,548–4,128 · alacsony bizalom

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,580 tok/s

1,548–4,128 · alacsony bizalom

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Kényelmes
2,150 tok/s

1,290–3,440 · alacsony bizalom

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,104 tok/s

1,262–3,366 · alacsony bizalom

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Kényelmes
2,057 tok/s

1,234–3,291 · alacsony bizalom

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Kényelmes
2,057 tok/s

1,234–3,291 · alacsony bizalom

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Kényelmes
2,057 tok/s

1,234–3,291 · alacsony bizalom

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Kényelmes
2,057 tok/s

1,234–3,291 · alacsony bizalom

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
Zhejiang University (ZJU)
Szervezet típusa
Academia
Ország
China
Közölt
23 January 2022
Szerzők
Ningyu Zhang, Zhen Bi, Xiaozhuan Liang, Siyuan Cheng, Shumin Deng, Qiang Zhang, Jiazhang Lian, Huajun Chen, Haosen Hong

Mit csinál

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

Tartomány
Biology, Language
Feladat
Proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning
Alapmodell
ProtBERT-BFD
Numerikus formátum
FP16

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
420M

"For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020)."

Képzési adatok
2,868,520,960 tokens

Data Summary: - Protein tokens: 488,000 × 300 = 1.464 × 10^8 - GO term tokens: 612,483 × 20 = 1.224966 × 10^7 - Knowledge graph triples: 4,990,097 Total: (1.464 × 10^8 + 1.224966 × 10^7 + 4.99 × 10^6) ≈ 1.626 × 10^8 data points

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

MIT license https://github.com/zjunlp/OntoProtein unclear license https://huggingface.co/zjunlp/OntoProtein

Hugging Face
zjunlp

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

Not absolute SOTA, outperforms protein-language models but not MSA transformer. Experimental results show that OntoProtein can surpass state-of-the-art methods with pre-trained protein language models in TAPE benchmark and yield better performance compared with baselines in protein-protein interaction and protein function prediction1.

Nyilvántartási bizalom
Likely

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia
ONTOPROTEIN: PROTEIN PRETRAINING WITH GENE ONTOLOGY EMBEDDING
Utoljára frissítve
28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni OntoProtein

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,152 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,719 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,188 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,188 tok/s

A legkisebb GPU-k, amik még futnak OntoProtein

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

  1. 01 GeForce RTX 4010 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 96.8 tok/s
  2. 02 RTX A400 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 96.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 129 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 194 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 34.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 101 tok/s
  7. 07 Radeon RX 6550M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 113 tok/s
  8. 08 Radeon RX 6550S 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 101 tok/s
  9. 09 Arc A310 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 81.3 tok/s
  10. 10 Arc Pro A30M 4 GB · Szükséges 1.1 GB · Q8_0 · Kényelmes 83.9 tok/s

Mit jelentenek a számok

Ami szükséges a futtatásához

Minimális kártya

Tesla C1080

Szükséges memória

1.1 GB

Leggyorsabb

8,067 tok/s

OntoProtein eléri a paraméterek számát 420M. 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 87.8 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 8,067 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Mit jelent ez a modell

OntoProtein ki lett adva által Zhejiang University (ZJU), az országban rögzítve mint China, alatt January 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.

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

Ez alapoz. ProtBERT-BFD. Ez a szokásos módja egy specializált modell előállításának.

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 zjunlp.

Mi dönti el a sebességet

A medián eredmény körül 226.5 másodpercenkénti tokenek 817 tőlük

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

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.

Hogyan lett betanítva

A képzés körülbelül egy korpuszt fogyasztott 2,868,520,960 szöveg tokenjei

A kiválasztási kritériuma: sOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a OntoProtein

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

  1. 01

    Olvasd el a MEMORY adatokat először.

    Minden kártyát itt leellenőriztünk a következőkkel szemben OntoProtein, körülbelül szükséges 1.1 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.

  2. 02

    Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

    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. OntoProtein.

  3. 03

    Döntsd el, mennyi tömörítést fogadsz el.

    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.

  4. 04

    Hasonlítsd össze a TOKENS PER SECOND-t, ne a SPECIFICATIONS-t.

    Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. OntoProtein. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 8,067 tok/s

  5. 05

    Ellenőrizd a megfelelő ítéletet vásárlás előtt.

    A megfelelő oszlop elválasztja azokat a kártyákat, amelyek épp hogy elboldogulnak, azoktól, amelyeknek van szabad helyük, az esetében OntoProtein. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.

  6. 06

    Nézd meg a kártyát a másik oldalról.

    Egy KÁRTYA végigkövetése a saját oldaláig megmutatja az összes többi modellt, amelyet el tud tartani, ami az a kérdés, ami felmerül, miután döntöttél. OntoProtein.

Válaszok

OntoProtein — gyakori kérdések

01

OntoProtein— mennyi VRAM-ra van szüksége?

Kb. 1.1 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.

02

OntoProtein— 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 1.1 GB és körülbelül generálás 1,503 másodpercenkénti tokenek. A illeszkedés kényelmes.

03

OntoProtein— 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 1.1 GB és körülbelül generálás 920 másodpercenkénti tokenek. A illeszkedés kényelmes.

04

OntoProtein— 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 1.1 GB és körülbelül generálás 1,140 másodpercenkénti tokenek. A illeszkedés kényelmes.

05

OntoProtein— 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 1.1 GB és körülbelül generálás 1,351 másodpercenkénti tokenek. A illeszkedés kényelmes.

06

OntoProtein— 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.

07

OntoProtein— Hány paramétere van?

Paraméterszáma 420M. "For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020).". 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.

08

OntoProtein— Ki készítette ezt?

Kiadta Zhejiang University (ZJU), alapján China, egy szervezet, amelyet kategorizáltak mint academia.

09

OntoProtein— Mikor adták ki?

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

10

OntoProtein— Mire használják?

Működik a területen a Biology, Language, és rögzítve van, hogy kezeli a feladatot proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.

11

OntoProtein— Hol tudom letölteni?

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

12

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

Elosztható a kártya és a rendszer MEMÓRIA között, de így fájdalmasan lassan generálódik. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

13

OntoProtein— 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.

14

OntoProtein— 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.

15

OntoProtein— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 4,840–12,908 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

16

OntoProtein— 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 1.1 GB, és körülbelül 87.8 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

17

OntoProtein— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 8,067 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: 817.

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