K-EXAONE 2.0 calcolatore TPS
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
818 schede per cui abbiamo specifiche
Quali GPU possono eseguire K-EXAONE 2.0?
Imposta gli input, leggi la risposta
Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..
Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..
0 schede corrispondono
Calcolo| Ha bisogno | Quantizzazione | Adatto | |||||
|---|---|---|---|---|---|---|---|
|
Nessuna scheda nel nostro catalogo può eseguire questo modello con queste impostazioni.. |
|||||||
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
- LG AI Research
- Tipo di organizzazione
- Industry
- Paese
- Korea (Republic of)
- Pubblicato
- 31 July 2026
- Autori
- Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Minhyeok Jung, Doyoung Kim, Heegyu Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Byungoh Ko, Changhun Lee, Dohaeng Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Minwoo Lee, Wonkee Lee, Sangha Park, Sungjune Park, Kwangrok Ryoo, Kijung Seo, Minju Seo, Yon…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation
- Modello di base
- K-EXAONE
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
- 750B
- Dati di addestramento
- tokens
MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B).
16T tokens (developer-reported via email, July 2026). The technical report describes continual pre-training on an additional ~8T tokens after a healing stage, mid-training on 800B tokens (two 400B stages extending context to 64K then 256K), and SFT on 350B tokens, on top of the upcycled K-EXAONE base (11T 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
- 3.6 × 10²⁴ FLOP
- Come è stato stabilito
- Reported
3.55e24 FLOP reported by LG AI Research via email (July 2026), alongside a 16T-token training data figure. Cross-check by operation counting: 6 * 37e9 active parameters * 16e12 tokens = 3.55e24 FLOP, exactly consistent with the reported figure. Note that K-EXAONE 2.0 is upcycled from K-EXAONE (11T tokens at 23B active parameters, 1.52e24 FLOP). The technical report describes a healing stage followed by ~8T tokens of continual pre-training, 800B tokens of mid-training (2 x 400B), and 350B token…
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
- Hugging Face
- LGAI-EXAONE
Released under Apache 2.0 on Hugging Face.
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Training cost
- Record fiducia
- Confident
Developer-reported training compute cost of USD 17,998,771.54 (KRW 26,006,425,000 at 1,444.9 KRW/USD), communicated by LG AI Research via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not provided.
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- K-EXAONE 2.0 Technical Report
- Ultimo aggiornamento
- 4 August 2026
Cosa significano i numeri
Cosa serve per eseguire questo modello
K-EXAONE 2.0 raggiunge un conteggio di parametri di 750B. Questo è oltre ciò che qualsiasi singola scheda grafica può contenere. Eseguire questo significa o suddividerlo tra più schede o noleggiare hardware progettato per il lavoro, e ogni scheda in grado di contenerlo da sola è un componente da datacenter. Il numero che può: 0.
Sfondo
K-EXAONE 2.0 è stato pubblicato da LG AI Research, nel paese registrato come Korea (Republic of), durante July 2026. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation.
Il suo punto di partenza era un modello di base esistente, K-EXAONE. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile. Su Hugging Face è pubblicato sotto l'organizzazione LGAI-EXAONE.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 3.6 × 10²⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È tracciato nel dataset sottostante per una ragione in particolare: training cost.
Passo dopo passo
Come scegliere una GPU per K-EXAONE 2.0
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
Inizia dalla colonna VRAM
La tabella elenca ogni card in grado di contenere K-EXAONE 2.0. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
-
02
Corrispondi il contesto al tuo utilizzo attuale
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 K-EXAONE 2.0.
-
03
Imposta un pavimento di qualità
Ogni card esegue la copia meno compressa che può contenere.. 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 K-EXAONE 2.0. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria.
-
05
Leggi l'ultima colonna di fit
Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di K-EXAONE 2.0. 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
Controlla la GPU dall'altro lato
Ogni nome di scheda è collegato alla propria pagina, che esegue lo stesso calcolo su tutto il catalogo dei modelli. Una scheda è solitamente acquistata per più di un modello, quindi vale la pena dare un'occhiata prima di acquistare. K-EXAONE 2.0.
Risposte
K-EXAONE 2.0 — domande comuni
K-EXAONE 2.0— quanti parametri ha?
Ha un numero di parametri di 750B. MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B). 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.
K-EXAONE 2.0— chi l'ha creato?
È stato pubblicato da LG AI Research, basato su Korea (Republic of), un'organizzazione categorizzata come industry.
K-EXAONE 2.0— quando è stato rilasciato?
È stato pubblicato in July 2026.
K-EXAONE 2.0— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
K-EXAONE 2.0— Dove posso scaricarlo?
I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione LGAI-EXAONE. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.
K-EXAONE 2.0— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.6 × 10²⁴ FLOP. 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.
K-EXAONE 2.0— posso eseguirlo se non si adatta nella mia GPU?
Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. La più vicina mancata che calcoliamo risulta insufficiente di 197.8 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.
K-EXAONE 2.0— 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: 0. Quindi una seconda CARD è raramente la risposta qui.
K-EXAONE 2.0— perché la quantizzazione differisce tra le schede?
Ogni card è mostrata mentre esegue la copia meno compressa che può contenere. Il numero di livelli di compressione distinti tra le card che si adattano: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.
K-EXAONE 2.0— quanto sono accurate queste stime di velocità?
Ogni cifra è derivata dalla larghezza di banda della memoria e dalle dimensioni del modello, non calibrata, motivo per cui ognuna è pubblicata come un intervallo anziché come un singolo numero. Un esempio: la gamma sotto ogni cifra. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.
K-EXAONE 2.0— 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.
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.