A.X K2 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 A.X K2?
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
- SK Telecom
- Tipo di organizzazione
- Industry
- Paese
- Korea (Republic of)
- Pubblicato
- 29 July 2026
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion
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
- 688B
- Dati di addestramento
- tokens
MoE architecture, total parameters 688B, active parameters 33B (61 layers: 1 dense + 60 MoE; 256 routed experts + 1 shared, 8 active per token)
Approximately 8.5T tokens in total: ~8.2T in pre-training (Stage 1 general knowledge: 6.4T; Stage 2 high-quality reasoning: 1.4T; long-context stages 3A-3C: ~0.36T) and the remainder in post-training.
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
- 1.8 × 10²⁴ FLOP
- Come è stato stabilito
- Reported
~1.8e24 FLOP reported by SK Telecom via email (July 2026). Cross-check by operation counting: 6 * 33e9 active parameters * 8.5e12 tokens = 1.68e24 FLOP, consistent with the reported figure. Per the technical report, ~8.2T of the 8.5T tokens were used in pre-training (512 B200 GPUs, ~70 days), with the remainder in post-training.
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Tempo di parete
- 1,680 hours (70 days)
- Costo di calcolo
- $12,400,000
Pre-training ran for approximately 70 days (~1,680 hours) on 512 NVIDIA B200 GPUs (64 nodes of 8), i.e. ~860,000 GPU-hours.
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)
- Hugging Face
- skt
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 ~$12.4M (2023 USD), communicated by SK Telecom via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not yet provided.
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A.X K2 Technical Report
- Ultimo aggiornamento
- 31 July 2026
Cosa significano i numeri
Il lato hardware
A.X K2 raggiunge un conteggio di parametri di 688B. 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.
Informazioni su questo modello
A.X K2 è stato pubblicato da SK Telecom, nel paese registrato come Korea (Republic of), durante July 2026. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion.
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 skt.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 1.8 × 10²⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il suo criterio di inclusione: training cost.
Passo dopo passo
Come scegliere una GPU per A.X K2
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
Controlla cosa serve prima di ogni altra cosa
La tabella elenca ogni card in grado di contenere A.X K2. La Capacità è il cancello — una card o la tiene o non la tiene.
-
02
Decidi quanto a lungo durano le tue conversazioni
Conversazioni più lunghe richiedono memoria oltre a ciò che i pesi necessitano. Muovi il cursore sulla tua reale lunghezza di lavoro prima di fidarti di qualsiasi riga per A.X K2.
-
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.. 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 throughput piuttosto che per specifiche.
Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per A.X K2. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria.
-
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 A.X K2. 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 pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a A.X K2.
Risposte
A.X K2 — domande comuni
A.X K2— Dove posso scaricarlo?
I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione skt. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.
A.X K2— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.8 × 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.
A.X K2— 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 110.8 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.
A.X K2— 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.
A.X K2— perché la quantizzazione differisce tra le schede?
Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.
A.X K2— 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.
A.X K2— 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.
A.X K2— quanti parametri ha?
Ha un numero di parametri di 688B. MoE architecture, total parameters 688B, active parameters 33B (61 layers: 1 dense + 60 MoE; 256 routed experts + 1 shared, 8 active per token). 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.
A.X K2— chi l'ha creato?
È stato pubblicato da SK Telecom, basato su Korea (Republic of), un'organizzazione categorizzata come industry.
A.X K2— quando è stato rilasciato?
È stato pubblicato in July 2026.
A.X K2— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di code generation, Language modeling/generation, Translation, Instruction interpretation, Mathematical reasoning, Chat, Language modeling, Language generation, Text autocompletion. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
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.