TxGemma 27B TPS kalkulátor

Nyitott súlyok Google DeepMind,Google Research 27B Paraméterek April 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 TxGemma 27B?

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 107–151	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	30.1 GB	Q8_0	Kényelmes
125 tok/s 107–151	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	30.1 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Kényelmes
100 tok/s 60–160 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Kényelmes
80.1 tok/s 48–128 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	30.1 GB	Q8_0	Kényelmes
76.7 tok/s 65–92	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Kényelmes
76.7 tok/s 65–92	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Kényelmes
73.4 tok/s 44–117 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	30.1 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Kényelmes
65.2 tok/s 39–104 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Kényelmes
61.8 tok/s 53–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	30.1 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	30.1 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Kényelmes
52.7 tok/s 45–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Kényelmes
47.8 tok/s 41–57	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.4 GB	Q3_K_M	Szoros
42.6 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Kényelmes
42.6 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Kényelmes
40.8 tok/s 35–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Kényelmes
40.8 tok/s 35–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Kényelmes
40.6 tok/s 35–49	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.4 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	30.1 GB	Q8_0	Kényelmes
40.1 tok/s 24–64 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	30.1 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: Google DeepMind,Google Research
Szervezet típusa: Industry,Industry
Ország: United States of America
Közölt: 8 April 2025
Szerzők: Eric Wang, Samuel Schmidgall, Paul F. Jaeger, Fan Zhang, Rory Pilgrim, Yossi Matias, Joelle Barral, David Fleet, Shekoofeh Azizi

Mit csinál

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

Tartomány: Language, Biology
Feladat: Protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation
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: tokens
Epochok: 12

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: 2.1 × 10²⁴ FLOP
Hogyan jött létre: Operation counting
Finomhangolás számítás: 1.1 × 10²² 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: 170.7 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 (restricted use)
Képzés kód: Unreleased
Hugging Face: google

Hogyan van besorolva

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

Valószínűleg 10²³ FLOP felett: Yes
Nyilvántartási bizalom: Confident

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: TxGemma: Efficient and Agentic LLMs for Therapeutics
Utoljára frissítve: 28 November 2025

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni TxGemma 27B

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 TxGemma 27B

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

Xeon Phi 7120P

Szükséges memória

14.4 GB

Leggyorsabb

125 tok/s

TxGemma 27B 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.

az alsó végén ezt kezelik Xeon Phi 7120P, memória kapacitással rendelkezik 16 GB, futtatás egy tömörítési arányon Q3_K_M és körülbelül előállítva 9.7 tokenek másodpercenként

A másik végén ül B200, nagyjából generálás 125 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Háttér

TxGemma 27B ki lett adva által Google DeepMind,Google Research, az országban rögzítve mint United States of America, alatt April 2025. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Industry.

Működik a területen a Language, Biology, és úgy van rögzítve, mint a feladat végrehajtása protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation.

A kiindulópontja egy meglévő alapmodell volt, Gemma 2 27B. 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 google.

A átbocsátási számadatok olvasása

Minden olyan kártya esetében, amely képes futtatni, a közép tartományban ül 19.0 másodpercenkénti tokenek 196 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.

Mivel az architektúra rögzítve van, a memória oszlop származtatott, nem pedig becsült.

Hogyan lett betanítva

A betanításhoz körülbelül egy számítási költségvetés kellett 2.1 × 10²⁴ 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.

Lépésről lépésre

Hogyan válasszunk GPU-t a TxGemma 27B

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.

Kezdj a tényleges szükségletekből, ami a követelményének a TxGemma 27B, körülbelül szükséges 14.4 GB a tömörítésnél Q3_K_M. Semennyi feldolgozási teljesítmény nem kompenzálja azt a kártyát, amelyik nem tudja megtartani.
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. TxGemma 27B.
03

Döntsd el, mennyi tömörítést fogadsz el.

Minden KÁRTYA a legkevésbé tömörített másolatot futtatja, amelyet el tud tartani., 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

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

A rangsorolás a másodpercenkénti tokenek alapján a memóriából származó sávszélességet követi, nem pedig a core-ok számát, ezért TxGemma 27B. 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 TxGemma 27B. 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 TxGemma 27B.

Válaszok

TxGemma 27B — gyakori kérdések

TxGemma 27B— 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 14.4 GB, és körülbelül 9.7 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 241.

TxGemma 27B— 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.

TxGemma 27B— mennyi VRAM-ra van szüksége?

Kb. 14.4 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.

TxGemma 27B— 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 14.4 GB és körülbelül generálás 47.8 tokensek másodpercenként. A fit szoros.

TxGemma 27B— 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 20.6 GB és körülbelül generálás 37.5 tokensek másodpercenként. A fit szoros.

TxGemma 27B— 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.

TxGemma 27B— 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.

TxGemma 27B— Ki készítette ezt?

Kiadta Google DeepMind,Google Research, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Industry.

TxGemma 27B— Mikor adták ki?

Kibocsátották a April 2025.

TxGemma 27B— Mire használják?

Működik a területen a Language, Biology, és rögzítve van, hogy kezeli a feladatot protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.

TxGemma 27B— Hol tudom letölteni?

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

TxGemma 27B— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 2.1 × 10²⁴ 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.

TxGemma 27B— 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 6.7 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

TxGemma 27B— Futtatna-e két GPU gyorsabban?

A kapacitás kártyánként összeadódik; a teljesítmény nem. A kártyák számának már saját magukban tartva: 241. Tehát egy második KÁRTYA ritkán a megoldás itt.

TxGemma 27B— miért különbözik a kvantálás a kártyák között?

Egy nagyobb KÁRTYA pontosabb másolatot tárol. Azoknak a tömörítési szinteknek a száma, amelyeket a futó KÁRTYÁK használnak: 5. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

TxGemma 27B— Mennyire pontosak ezek a sebességbecslések?

A specifikációkból számítják ki őket, nem pedig mérik, és mindegyiknek van egy tartománya. Egy példa: 107–151 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

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