ProGen2-xlarge calcolatore TPS

Apri i pesi Salesforce Research,Columbia University,Johns Hopkins University 6.4B parametri June 2022

Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..

Calcolato per questo modello

589 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla K20c

5 GB · IQ4_XS · 28.7 tok/s

Scheda più veloce

B200

529 tok/s · 180 GB

Quali GPU possono eseguire ProGen2-xlarge?

Imposta gli input, leggi la risposta

Lunghezza del contesto token

Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..

Qualità minima

Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..

Cerca schede

Memoria della scheda

Mostra anche le schede che non possono eseguirlo.

589 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
529 tok/s 318–847 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	7.6 GB	Q8_0	Comodo
529 tok/s 318–847 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	7.6 GB	Q8_0	Comodo
423 tok/s 254–676 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	7.6 GB	Q8_0	Comodo
423 tok/s 254–676 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	7.6 GB	Q8_0	Comodo
338 tok/s 203–541 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	7.6 GB	Q8_0	Comodo
324 tok/s 194–518 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.6 GB	Q8_0	Comodo
324 tok/s 194–518 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	7.6 GB	Q8_0	Comodo
310 tok/s 186–496 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	7.6 GB	Q8_0	Comodo
275 tok/s 165–440 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Comodo
275 tok/s 165–440 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Comodo
275 tok/s 165–440 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	7.6 GB	Q8_0	Comodo
261 tok/s 156–417 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	7.6 GB	Q8_0	Comodo
222 tok/s 133–356 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Comodo
222 tok/s 133–356 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	7.6 GB	Q8_0	Comodo
222 tok/s 133–356 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Comodo
222 tok/s 133–356 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Comodo
222 tok/s 133–356 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	7.6 GB	Q8_0	Comodo
169 tok/s 102–271 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	7.6 GB	Q8_0	Comodo
169 tok/s 102–271 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	7.6 GB	Q8_0	Comodo
143 tok/s 86–229 · bassa fiducia	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.1 GB	Q6_K	Stretto
141 tok/s 85–226 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	7.6 GB	Q8_0	Comodo
138 tok/s 83–221 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	7.6 GB	Q8_0	Comodo
135 tok/s 81–216 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	7.6 GB	Q8_0	Comodo
135 tok/s 81–216 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	7.6 GB	Q8_0	Comodo
135 tok/s 81–216 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	7.6 GB	Q8_0	Comodo

Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..

In registrazione

specifiche complete

Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..

Origine

Chi ha costruito questo modello, dove e quando è stato pubblicato.

Organizzazione: Salesforce Research,Columbia University,Johns Hopkins University
Tipo di organizzazione: Industry,Academia,Academia
Paese: United States of America
Pubblicato: 27 June 2022
Autori: Erik Nijkamp, Jeffrey Ruffolo, Eli N. Weinstein, Nikhil Naik, Ali Madani

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio: Biology
Compito: Proteins, Protein generation, Protein or nucleotide language model (pLM/nLM)
Approccio: Self-supervised learning

Dimensione

Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.

parametri: 6.4B
Dati di addestramento: 350,000,000,000 tokens

Calcolo di addestramento

L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.

Calcolo di addestramento: 1.4 × 10²² FLOP
Come è stato stabilito: Hardware,Third-party estimation

La corsa di addestramento

Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.

Hardware di addestramento: Google TPU v3
Costo di calcolo: $11,850

Disponibilità

Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.

Pesi: Open — downloadable
Accesso al modello: Open weights (unrestricted)
Codice di addestramento: Unreleased

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Perché è monitorato: SOTA improvement
Record fiducia: Confident
Citazioni: 507

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento: ProGen2: Exploring the Boundaries of Protein Language Models
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono ProGen2-xlarge

Classificato per token stimati al secondo, scheda più recente per prima dove le velocità coincidono. Poiché la generazione è vincolata dalla larghezza di banda della memoria, quest'ordinamento segue la larghezza di banda piuttosto che qualsiasi benchmark di gioco..

Le GPU più piccole che ancora funzionano ProGen2-xlarge

Il percorso più economico, in base alla capacità di memoria. Un adattamento stretto esegue il modello ma non lascia nulla di riserva per una conversazione più lunga..

Cosa significano i numeri

Il lato hardware

Scheda minima

Tesla K20c

Memoria necessaria

4.2 GB

Più veloce

529 tok/s

ProGen2-xlarge raggiunge un conteggio di parametri di 6.4B. È piccolo abbastanza che l'hardware è raramente l'ostacolo, anche su CARD di diversi anni fa. Il numero di CARD che monitoriamo che possono eseguirlo: 589.

A basso prezzo è gestito da Tesla K20c, con una capacità di memoria di 5 GB, eseguendolo a una compressione di IQ4_XS e producendo circa 28.7 token al secondo

Il risultato più rapido proviene da B200, generando approssimativamente 529 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Informazioni su questo modello

ProGen2-xlarge è stato pubblicato da Salesforce Research,Columbia University,Johns Hopkins University, nel paese registrato come United States of America, durante June 2022. Esce da un'organizzazione categorizzata come industry,Academia,Academia.

Funziona nel dominio di Biology, ed è registrato come eseguire il compito di proteins, Protein generation, Protein or nucleotide language model (pLM/nLM).

I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.

Quanto è veloce nel funzionare e perché

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 26.4 token al secondo. Superare la velocità di lettura in modo diretto: 562 di loro

Essendo denso, legge tutto se stesso per token, motivo per cui l'ordinamento per velocità qui sotto segue da vicino l'ordinamento per larghezza di banda della memoria.

Senza il layout di attenzione in archivio, la colonna della memoria è un'approssimazione. È abbastanza vicino per scegliere l'hardware e meno affidabile con contesto lungo.

Addestramento e provenienza

Il run di addestramento ha consumato circa 1.4 × 10²² FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

Il set di addestramento si aggirava attorno a 350,000,000,000 token di testo

Il motivo per cui appare in questo catalogo è: sOTA improvement.

Passo dopo passo

Come scegliere una GPU per ProGen2-xlarge

La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..

01

Leggi prima il numero di VRAM

Ogni card qui è stata controllata contro ProGen2-xlarge, avere bisogno di circa 4.2 GB a una compressione di IQ4_XS. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Imposta la lunghezza del CONTEXT che utilizzerai.

La conversazione occupa memoria anche, e cresce man mano che procede. Imposta il cursore sulla lunghezza che ti aspetti, perché con un contesto lungo una CARD che gestisce facilmente domande brevi può essere scartata da ProGen2-xlarge.
03

Imposta un pavimento di qualità

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., raggiungendo una compressione di IQ4_XS sulla scheda più piccola che si adatta. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
04

Ordina per velocità

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per ProGen2-xlarge. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria. La scheda in cima alla lista è B200, nella 529 tok/s
05

Guarda il margine, non solo l'adattamento

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di ProGen2-xlarge. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
06

Apri la scheda su cui ti sei deciso.

Seguire una GPU attraverso la sua pagina mostra ogni altro modello che può contenere, che è la domanda che segue una volta che hai deciso su ProGen2-xlarge.

Risposte

ProGen2-xlarge — domande comuni

ProGen2-xlarge— posso eseguirlo se non si adatta nella mia GPU?

Parzialmente. I layer che non si adattano si trovano nella memoria di sistema e funzionano a una frazione della velocità, quindi un modello in gran parte scaricato è raramente conveniente da usare. La più vicina mancata che calcoliamo risulta insufficiente di 1.0 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

ProGen2-xlarge— due GPU lo farebbero andare più veloce?

Due schede comprano VRAM piuttosto che velocità, che conta solo se una scheda non può contenerla. Il numero che può: 589. Quindi una seconda CARD è raramente la risposta qui.

ProGen2-xlarge— perché la quantizzazione differisce tra le schede?

Una scheda più grande contiene una copia più accurata. Il numero di livelli di compressione utilizzati tra le schede che lo eseguono: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

ProGen2-xlarge— quanto sono accurate queste stime di velocità?

Queste sono stime con barre di errore reali, e ognuna di esse potrebbe ragionevolmente collocarsi ovunque nel suo intervallo pubblicato a seconda del runtime che utilizzi. Il risultato più veloce qui: 318–847 tok/s su B200. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

ProGen2-xlarge— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Tesla K20c, con una capacità di memoria di 5 GB. Esegui il modello a una compressione di IQ4_XS utilizzando circa 4.2 GB, e produce approssimativamente 28.7 token al secondo. Il numero di card in grado di eseguirlo in totale: 589.

ProGen2-xlarge— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 529 token al secondo; il più lento che riesce a farlo gestisce considerevolmente meno. La velocità di lettura è di circa dieci token al secondo, e il numero di schede che riescono a farlo: 562.

ProGen2-xlarge— quanta VRAM serve?

Ha bisogno di 4.2 GB a una compressione di IQ4_XS, quale è la scheda più piccola che lo utilizza. Meno compressione richiede di più: le cifre nella colonna della memoria sopra sono ricalcolate per ogni scheda, perché ognuna contiene la versione meno compressa possibile.

ProGen2-xlarge— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q6_K, utilizzando circa 6.1 GB e generando approssimativamente 143 token al secondo. Il fit è stretto.

ProGen2-xlarge— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q8_0, utilizzando circa 7.6 GB e generando approssimativamente 60.4 token al secondo. Il fit è comodo.

ProGen2-xlarge— posso eseguirlo su una GPU holding 16 GB?

Sì. La scheda Tesla V100 SXM2 16 GB, tenere 16 GB, lo esegue a una compressione di Q8_0, utilizzando circa 7.6 GB e generando approssimativamente 74.8 token al secondo. Il fit è comodo.

ProGen2-xlarge— posso eseguirlo su una GPU holding 24 GB?

Sì. La scheda GeForce RTX 5090 D V2, tenere 24 GB, lo esegue a una compressione di Q8_0, utilizzando circa 7.6 GB e generando approssimativamente 88.7 token al secondo. Il fit è comodo.

ProGen2-xlarge— è open-source?

I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.

ProGen2-xlarge— quanti parametri ha?

Ha un numero di parametri di 6.4B. "We introduce a suite of protein language models, named ProGen2, that are scaled up to 6.4B parameters". Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.

ProGen2-xlarge— chi l'ha creato?

È stato pubblicato da Salesforce Research,Columbia University,Johns Hopkins University, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.

ProGen2-xlarge— quando è stato rilasciato?

È stato pubblicato in June 2022. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.

ProGen2-xlarge— A cosa serve?

Funziona nel dominio di Biology, e viene registrato come gestire il compito di proteins, Protein generation, Protein or nucleotide language model (pLM/nLM). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

ProGen2-xlarge— Dove posso scaricarlo?

I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.

ProGen2-xlarge— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 1.4 × 10²² FLOP, su hardware registrato come Google TPU v3. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 25 May 2026

L'altra direzione

Guardandolo dall'altro lato?

Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.

Tutti i modelli AI