TxGemma 9B TPS kalkulátor

Nyitott súlyok Google DeepMind,Google Research 9B 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

509 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Xeon Phi 5110P

8 GB · IQ4_XS · 24.0 tok/s

Leggyorsabb kártya

B200

376 tok/s · 180 GB

Melyik GPU képes futtatni TxGemma 9B?

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.

509 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
376 tok/s 320–452	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	11.7 GB	Q8_0	Kényelmes
376 tok/s 320–452	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	11.7 GB	Q8_0	Kényelmes
301 tok/s 180–481 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	11.7 GB	Q8_0	Kényelmes
301 tok/s 180–481 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	11.7 GB	Q8_0	Kényelmes
240 tok/s 144–385 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	11.7 GB	Q8_0	Kényelmes
230 tok/s 196–276	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.7 GB	Q8_0	Kényelmes
230 tok/s 196–276	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	11.7 GB	Q8_0	Kényelmes
220 tok/s 132–352 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	11.7 GB	Q8_0	Kényelmes
195 tok/s 117–313 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	11.7 GB	Q8_0	Kényelmes
195 tok/s 117–313 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	11.7 GB	Q8_0	Kényelmes
195 tok/s 117–313 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	11.7 GB	Q8_0	Kényelmes
185 tok/s 158–222	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	11.7 GB	Q8_0	Kényelmes
172 tok/s 146–207	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	7.0 GB	IQ4_XS	Szoros
158 tok/s 134–190	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.7 GB	Q8_0	Kényelmes
158 tok/s 134–190	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	11.7 GB	Q8_0	Kényelmes
158 tok/s 134–190	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	11.7 GB	Q8_0	Kényelmes
158 tok/s 134–190	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	11.7 GB	Q8_0	Kényelmes
158 tok/s 134–190	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	11.7 GB	Q8_0	Kényelmes
131 tok/s 111–157	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.6 GB	Q5_K_M	Szoros
120 tok/s 72–193 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	11.7 GB	Q8_0	Kényelmes
120 tok/s 72–193 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	11.7 GB	Q8_0	Kényelmes
100 tok/s 60–161 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	11.7 GB	Q8_0	Kényelmes
98.2 tok/s 59–157 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	11.7 GB	Q8_0	Kényelmes
96.0 tok/s 82–115	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	11.7 GB	Q8_0	Kényelmes
96.0 tok/s 82–115	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	11.7 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: 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 9B

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: 9B
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: 4.4 × 10²³ FLOP
Hogyan jött létre: Operation counting
Finomhangolás számítás: 3.6 × 10²¹ 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 9B

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 9B

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

Xeon Phi 5110P

Szükséges memória

7.0 GB

Leggyorsabb

376 tok/s

TxGemma 9B eléri a paraméterek számát 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: 509.

A legkevesebb hardver, ami működik, az Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB, futtatás egy tömörítési arányon IQ4_XS és körülbelül előállítva 24.0 tokenek másodpercenként

A legjobb kategóriájú B200, nagyjából generálás 376 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

TxGemma 9B ki lett adva által Google DeepMind,Google Research, az országban rögzítve mint United States of America, alatt April 2025. A kiadó szervezet a következő kategóriába tartozik 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 9B. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását. A Hugging Face-en az alábbi szervezet alatt van publikálva google.

Milyen gyorsan fut, és miért

A medián eredmény körül 26.0 másodpercenkénti tokenek 473 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.

A figyelem elrendezése a fájlban van, így a memóriaértékek pontosan számítva vannak, nem pedig közelítve.

Képzés és származás

A képzés futás körülbelül 4.4 × 10²³ 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 9B

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 TxGemma 9B, körülbelül szükséges 7.0 GB a tömörítésnél IQ4_XS. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Illeszd a kontextust a tényleges használatodhoz.

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. TxGemma 9B.
03

Döntsd el, mennyi tömörítést fogadsz el.

A tömörítés az, ami lehetővé teszi, hogy egy modell kisebb kártyákra illeszkedjen, bizonyos költséggel a pontosság terén., elérni egy tömörítést a IQ4_XS 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

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. TxGemma 9B. Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 376 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Egy szűk elhelyezés fut, de nem hagy semmit egy hosszabb beszélgetésre, az esetében TxGemma 9B. A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nyisd meg a kiválasztott kártyát.

Minden kártyanév egy saját oldalra mutat, amely ugyanazt a számítást végzi el az egész modell kataloguson. Egy kártyát általában több modellhez is vásárolnak, ezért érdemes megnézni vásárlás előtt. TxGemma 9B.

Válaszok

TxGemma 9B — gyakori kérdések

TxGemma 9B— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 4.4 × 10²³ 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 9B— 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 2.2 GB Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

TxGemma 9B— 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: 509. Tehát egy második KÁRTYA ritkán a megoldás itt.

TxGemma 9B— 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: 4. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

TxGemma 9B— 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: 320–452 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

TxGemma 9B— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Xeon Phi 5110P, memória kapacitással rendelkezik 8 GB. A modell egy tömörítéssel fut. IQ4_XS használva körülbelül 7.0 GB, és körülbelül 24.0 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 509.

TxGemma 9B— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 376 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: 473.

TxGemma 9B— mennyi VRAM-ra van szüksége?

Kb. 7.0 GB tömörítési arányban IQ4_XS, 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 9B— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett IQ4_XS, használva körülbelül 7.0 GB és körülbelül generálás 172 tokensek másodpercenként. A fit szoros.

TxGemma 9B— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q6_K, használva körülbelül 9.6 GB és körülbelül generálás 62.4 tokensek másodpercenként. A fit szoros.

TxGemma 9B— 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 11.7 GB és körülbelül generálás 53.2 másodpercenkénti tokenek. A illeszkedés kényelmes.

TxGemma 9B— 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 11.7 GB és körülbelül generálás 63.1 másodpercenkénti tokenek. A illeszkedés kényelmes.

TxGemma 9B— 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 9B— Hány paramétere van?

Paraméterszáma 9B. 9B. 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 9B— Ki készítette ezt?

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

TxGemma 9B— Mikor adták ki?

Kibocsátották a April 2025.

TxGemma 9B— 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. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

TxGemma 9B— 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.

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