Evo 2 40B calcolatore TPS

Apri i pesi Arc Institute,Stanford University,NVIDIA,Liquid,University of California (UC) Berkeley,Goodfire,Columbia University,University of California San Francisco 40.3B parametri February 2025

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

126 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla M40 24 GB

24 GB · Q3_K_M · 7.0 tok/s

Scheda più veloce

B200

84.1 tok/s · 180 GB

Quali GPU possono eseguire Evo 2 40B?

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.

126 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
84.1 tok/s 50–135 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	43.8 GB	Q8_0	Comodo
84.1 tok/s 50–135 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	43.8 GB	Q8_0	Comodo
67.1 tok/s 40–107 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	43.8 GB	Q8_0	Comodo
67.1 tok/s 40–107 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	43.8 GB	Q8_0	Comodo
53.7 tok/s 32–86 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	43.8 GB	Q8_0	Comodo
51.4 tok/s 31–82 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	43.8 GB	Q8_0	Comodo
51.4 tok/s 31–82 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	43.8 GB	Q8_0	Comodo
49.2 tok/s 30–79 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	43.8 GB	Q8_0	Comodo
45.4 tok/s 27–73 · bassa fiducia	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	25.1 GB	Q4_K_M	Stretto
45.4 tok/s 27–73 · bassa fiducia	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	25.1 GB	Q4_K_M	Stretto
43.7 tok/s 26–70 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	43.8 GB	Q8_0	Comodo
43.7 tok/s 26–70 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	43.8 GB	Q8_0	Comodo
43.7 tok/s 26–70 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	43.8 GB	Q8_0	Comodo
43.4 tok/s 26–69 · bassa fiducia	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.1 GB	Q4_K_M	Stretto
43.4 tok/s 26–69 · bassa fiducia	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.1 GB	Q4_K_M	Stretto
41.4 tok/s 25–66 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	43.8 GB	Q8_0	Comodo
38.0 tok/s 23–61 · bassa fiducia	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	20.4 GB	Q3_K_M	Stretto
35.3 tok/s 21–57 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	43.8 GB	Q8_0	Comodo
35.3 tok/s 21–57 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	43.8 GB	Q8_0	Comodo
35.3 tok/s 21–57 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	43.8 GB	Q8_0	Comodo
35.3 tok/s 21–57 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	43.8 GB	Q8_0	Comodo
35.3 tok/s 21–57 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	43.8 GB	Q8_0	Comodo
34.6 tok/s 21–55 · bassa fiducia	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	20.4 GB	Q3_K_M	Stretto
28.6 tok/s 17–46 · bassa fiducia	GeForce RTX 3090 Ti NVIDIA	24 GB	1,010 GB/s	Jan 2022	20.4 GB	Q3_K_M	Stretto
28.6 tok/s 17–46 · bassa fiducia	GeForce RTX 4090 NVIDIA	24 GB	1,010 GB/s	Sep 2022	20.4 GB	Q3_K_M	Stretto

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: Arc Institute,Stanford University,NVIDIA,Liquid,University of California (UC) Berkeley,Goodfire,Columbia University,University of California San Francisco
Tipo di organizzazione: Academia,Industry,Industry,Academia,Academia,Academia
Paese: United States of America
Pubblicato: 19 February 2025
Autori: Garyk Brixi, Matthew G. Durrant, Jerome Ku, Michael Poli, Greg Brockman, Daniel Chang, Gabriel A. Gonzalez, Samuel H. King, David B. Li, Aditi T. Merchant, Mohsen Naghipourfar, Eric Nguyen, Chiara Ricci-Tam, David W. Romero, Gwanggyu Sun, Ali Taghibakshi, Anton Vorontsov, Brandon Yang, Myra Deng, Liv Gorton, Nam Nguyen, Nicholas K. Wang, Etowah Adams, Stephen A. Baccus, Steven Dillmann, Stefano Er…

Cosa fa

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

Dominio: Biology
Compito: Protein or nucleotide language model (pLM/nLM)

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: 40.3B
Dati di addestramento: 9,300,000,000,000 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: 2.3 × 10²⁴ FLOP
Come è stato stabilito: Operation counting,Reported

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: Open source
Hugging Face: arcinstitute

Come è classificato

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

Probabilmente sopra 10²³ FLOP: Yes
Record fiducia: Confident

Fonti

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

Riferimento: Genome modeling and design across all domains of life with Evo 2
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono Evo 2 40B

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 Evo 2 40B

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 M40 24 GB

Memoria necessaria

20.4 GB

Più veloce

84.1 tok/s

Evo 2 40B raggiunge un conteggio di parametri di 40.3B. Questo rientra nell'intervallo che una seria GPU DESKTOP può gestire una volta compressi i pesi. Il numero di GPU che monitoriamo che possono eseguirlo: 126.

A basso prezzo è gestito da Tesla M40 24 GB, con una capacità di memoria di 24 GB, eseguendolo a una compressione di Q3_K_M e producendo circa 7.0 token al secondo

All'altra estremità si trova B200, generando approssimativamente 84.1 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Cosa è questo modello

Evo 2 40B è stato pubblicato da Arc Institute,Stanford University,NVIDIA,Liquid,University of California (UC) Berkeley,Goodfire,Columbia University,University of California San Francisco, nel paese registrato come United States of America, durante February 2025. Esce da un'organizzazione categorizzata come academia,Industry,Industry,Academia,Academia,Academia.

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

I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato. Su Hugging Face è pubblicato sotto l'organizzazione arcinstitute.

Cosa decide la velocità

Meta delle schede che lo supportano gestiscono più di 21.1 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 106 di loro

È un modello denso, quindi ogni parametro viene letto per ogni token prodotto. Questo rende la pista di velocità la larghezza di banda della memoria quasi esattamente — una CARD con il doppio della larghezza di banda genera approssimativamente il doppio della velocità.

La memoria qui è stimata dalla dimensione piuttosto che calcolata dall'architettura, che non è registrata per questo modello — i numeri sono indicativi piuttosto che esatti.

Addestramento e provenienza

Il run di addestramento ha consumato circa 2.3 × 10²⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.

È stato addestrato su un corpus di circa 9,300,000,000,000 token di testo

Passo dopo passo

Come scegliere una GPU per Evo 2 40B

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

Ogni card qui è stata controllata contro Evo 2 40B, avere bisogno di circa 20.4 GB a una compressione di Q3_K_M. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Decidi quanto a lungo durano le tue conversazioni

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 Evo 2 40B.
03

Decidi quanto spazio di compressione accetterai

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., raggiungendo una compressione di Q3_K_M 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 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 Evo 2 40B. 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 84.1 tok/s
05

Leggi l'ultima colonna di fit

Una vestibilità stretta funziona, ma non lascia nulla in più per una conversazione più lunga, nel caso di Evo 2 40B. 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

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 Evo 2 40B.

Risposte

Evo 2 40B — domande comuni

Evo 2 40B— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 2.3 × 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.

Evo 2 40B— posso eseguirlo se non si adatta nella mia GPU?

Solo scaricando, che di solito è una falsa economia: la parte tenuta in SYSTEM MEMORY rallenta tutto. La più vicina mancata che calcoliamo risulta insufficiente di 7.1 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.

Evo 2 40B— 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: 126. Quindi una seconda CARD è raramente la risposta qui.

Evo 2 40B— 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: 4. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Evo 2 40B— quanto sono accurate queste stime di velocità?

Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: 50–135 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.

Evo 2 40B— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Tesla M40 24 GB, con una capacità di memoria di 24 GB. Esegui il modello a una compressione di Q3_K_M utilizzando circa 20.4 GB, e produce approssimativamente 7.0 token al secondo. Il numero di card in grado di eseguirlo in totale: 126.

Evo 2 40B— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 84.1 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: 106.

Evo 2 40B— quanta VRAM serve?

Ha bisogno di 20.4 GB a una compressione di Q3_K_M, 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.

Evo 2 40B— 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 Q3_K_M, utilizzando circa 20.4 GB e generando approssimativamente 38.0 token al secondo. Il fit è stretto.

Evo 2 40B— 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.

Evo 2 40B— quanti parametri ha?

Ha un numero di parametri di 40.3B. Table 1 lists 40.3B parameters as model size. 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.

Evo 2 40B— chi l'ha creato?

È stato pubblicato da Arc Institute,Stanford University,NVIDIA,Liquid,University of California (UC) Berkeley,Goodfire,Columbia University,University of California San Francisco, basato su United States of America, un'organizzazione categorizzata come academia,Industry,Industry,Academia,Academia,Academia.

Evo 2 40B— quando è stato rilasciato?

È stato pubblicato in February 2025.

Evo 2 40B— A cosa serve?

Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein or nucleotide language model (pLM/nLM). 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.

Evo 2 40B— Dove posso scaricarlo?

I suoi pesi sono pubblicati su Hugging Face, sotto l'organizzazione arcinstitute. Non ospitiamo file di modelli — questo sito calcola quale hardware è necessario per eseguirli.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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