AlphaFold 2 TPS kalkulátor

Nyitott súlyok DeepMind 93M Paraméterek November 2020

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 · 396 tok/s

Leggyorsabb kártya

B200

36,433 tok/s · 180 GB

Melyik GPU képes futtatni AlphaFold 2?

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
36,433 tok/s 21,860–58,292 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Kényelmes
36,433 tok/s 21,860–58,292 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Kényelmes
29,092 tok/s 17,455–46,548 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Kényelmes
29,092 tok/s 17,455–46,548 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Kényelmes
23,267 tok/s 13,960–37,227 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Kényelmes
22,269 tok/s 13,362–35,631 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Kényelmes
22,269 tok/s 13,362–35,631 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Kényelmes
21,313 tok/s 12,788–34,101 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Kényelmes
18,915 tok/s 11,349–30,265 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Kényelmes
18,915 tok/s 11,349–30,265 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Kényelmes
18,915 tok/s 11,349–30,265 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Kényelmes
17,943 tok/s 10,766–28,709 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Kényelmes
15,302 tok/s 9,181–24,483 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Kényelmes
15,302 tok/s 9,181–24,483 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Kényelmes
15,302 tok/s 9,181–24,483 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Kényelmes
15,302 tok/s 9,181–24,483 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Kényelmes
15,302 tok/s 9,181–24,483 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Kényelmes
11,651 tok/s 6,991–18,642 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Kényelmes
11,651 tok/s 6,991–18,642 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Kényelmes
9,709 tok/s 5,826–15,535 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Kényelmes
9,502 tok/s 5,701–15,203 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Kényelmes
9,290 tok/s 5,574–14,865 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Kényelmes
9,290 tok/s 5,574–14,865 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Kényelmes
9,290 tok/s 5,574–14,865 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Kényelmes
9,290 tok/s 5,574–14,865 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: DeepMind
Szervezet típusa: Industry
Ország: United Kingdom of Great Britain and Northern Ireland
Közölt: 30 November 2020
Szerzők: John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, Davi…

Mit csinál

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

Tartomány: Biology
Feladat: Protein folding prediction, Proteins
Numerikus formátum: BF16

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: 93M
Képzési adatok: 5,724,000,000 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.

Képzés számítás: 3 × 10²¹ 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: Google TPU v3
Fali óra idő: 264 hours (11 days)
Számítási költség: $3,842

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.

Miért követik nyomon: Historical significance,Highly cited,SOTA improvement
Nyilvántartási bizalom: Likely
Hivatkozások: 31,909

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Highly accurate protein structure prediction with AlphaFold
Utoljára frissítve: 1 January 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni AlphaFold 2

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 AlphaFold 2

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

0.8 GB

Leggyorsabb

36,433 tok/s

AlphaFold 2 eléri a paraméterek számát 93M. 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 396 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 36,433 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Honnan jött

AlphaFold 2 ki lett adva által DeepMind, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt November 2020. A kiadó szervezet a következő kategóriába tartozik industry.

Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein folding prediction, Proteins.

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

A sebességek megértése

A medián eredmény körül 1,023.0 másodpercenkénti tokenek 818 tőlük

Ez egy sűrű modell, így minden paramétert minden előállított tokenhez elolvasnak. Ez szinte pontosan nyomon követi a memória-sávszélességet — egy kártya, amelynek kétszer akkora a sávszélessége, körülbelül kétszer olyan gyorsan generál.

Itt a memória méret alapján van megbecsülve, nem pedig az architektúrából számítva, amely nincs rögzítve ennél a modellnél — a számok tájékoztató jellegűek, nem pontosak.

Képzés és származás

A betanításhoz körülbelül egy számítási költségvetés kellett 3 × 10²¹ FLOP, hardveren rögzítve Google TPU v3. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

A tanító készlet kb. futott 5,724,000,000 szöveg tokenjei

A kiválasztási kritériuma: historical significance,Highly cited,SOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a AlphaFold 2

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 AlphaFold 2, körülbelül szükséges 0.8 GB a tömörítésnél Q8_0. A kapacitás a kapu — egy kártya vagy tartalmazza, vagy nem.
02

Illeszd a kontextust a tényleges használatodhoz.

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. AlphaFold 2.
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.
04

Rangsoroljon átbocsátás alapján, nem pedig specifikációs lap szerint.

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. AlphaFold 2. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 36,433 tok/s
05

Ellenőrizd a megfelelő ítéletet vásárlás előtt.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében AlphaFold 2. 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 AlphaFold 2.

Válaszok

AlphaFold 2 — gyakori kérdések

AlphaFold 2— 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.

AlphaFold 2— 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.

AlphaFold 2— 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.

AlphaFold 2— Mennyire pontosak ezek a sebességbecslések?

Ezek becslések valós hibahatárokkal, és bármelyikük ésszerűen bárhol elhelyezkedhet a közzétett tartományán belül, attól függően, hogy milyen futtatási időt használsz. A leggyorsabb eredmény itt: 21,860–58,292 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

AlphaFold 2— 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 0.8 GB, és körülbelül 396 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

AlphaFold 2— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 36,433 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.

AlphaFold 2— mennyi VRAM-ra van szüksége?

Kb. 0.8 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.

AlphaFold 2— 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 0.8 GB és körülbelül generálás 6,786 másodpercenkénti tokenek. A illeszkedés kényelmes.

AlphaFold 2— 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 0.8 GB és körülbelül generálás 4,155 másodpercenkénti tokenek. A illeszkedés kényelmes.

AlphaFold 2— 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 0.8 GB és körülbelül generálás 5,146 másodpercenkénti tokenek. A illeszkedés kényelmes.

AlphaFold 2— 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 0.8 GB és körülbelül generálás 6,102 másodpercenkénti tokenek. A illeszkedés kényelmes.

AlphaFold 2— 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.

AlphaFold 2— Hány paramétere van?

Paraméterszáma 93M. https://arxiv.org/abs/2207.05477 reimplements AlphaFold 2 in a more efficient way, and states there are 93M parameters in the original version (Table 1). 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.

AlphaFold 2— Ki készítette ezt?

Kiadta DeepMind, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint industry.

AlphaFold 2— Mikor adták ki?

Kibocsátották a November 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

AlphaFold 2— Mire használják?

Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein folding prediction, Proteins. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

AlphaFold 2— Hol tudom letölteni?

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

AlphaFold 2— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 3 × 10²¹ FLOP, hardveren rögzítve Google TPU v3. 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.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 1 January 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