AlphaGeometry TPS-rekenmachine

Open gewichten Google DeepMind,New York University (NYU) 151M parameters January 2024

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

818 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 244 tok/s

Snelste kaart

B200

22,439 tok/s · 180 GB

Welke GPU's kunnen draaien AlphaGeometry?

Stel de invoer in, lees het antwoord

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

818 kaarten passen

Berekenen
Heeft Kwantificatie Past
22,439 tok/s

13,463–35,902 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.9 GB Q8_0 Comfortabel
22,439 tok/s

13,463–35,902 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.9 GB Q8_0 Comfortabel
17,918 tok/s

10,751–28,669 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Comfortabel
17,918 tok/s

10,751–28,669 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Comfortabel
14,330 tok/s

8,598–22,928 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.9 GB Q8_0 Comfortabel
13,716 tok/s

8,229–21,945 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Comfortabel
13,716 tok/s

8,229–21,945 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Comfortabel
13,127 tok/s

7,876–21,003 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.9 GB Q8_0 Comfortabel
11,650 tok/s

6,990–18,640 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Comfortabel
11,650 tok/s

6,990–18,640 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Comfortabel
11,650 tok/s

6,990–18,640 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Comfortabel
11,051 tok/s

6,631–17,682 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel
9,424 tok/s

5,655–15,079 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel
9,424 tok/s

5,655–15,079 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.9 GB Q8_0 Comfortabel
9,424 tok/s

5,655–15,079 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel
9,424 tok/s

5,655–15,079 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel
9,424 tok/s

5,655–15,079 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel
7,176 tok/s

4,306–11,481 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Comfortabel
7,176 tok/s

4,306–11,481 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Comfortabel
5,980 tok/s

3,588–9,568 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.9 GB Q8_0 Comfortabel
5,852 tok/s

3,511–9,364 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.9 GB Q8_0 Comfortabel
5,722 tok/s

3,433–9,155 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.9 GB Q8_0 Comfortabel
5,722 tok/s

3,433–9,155 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.9 GB Q8_0 Comfortabel
5,722 tok/s

3,433–9,155 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.9 GB Q8_0 Comfortabel
5,722 tok/s

3,433–9,155 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.9 GB Q8_0 Comfortabel

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie
Google DeepMind,New York University (NYU)
Organisatietype
Industry,Academia
Land
United States of America
Gepubliceerd
17 January 2024
Auteurs
Trieu H. Trinh, Yuhuai Wu, Quoc V. Le, He He, Thang Luong

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein
Mathematics
Taak
Geometry, Mathematical reasoning

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters
151M

"Overall, the transformer has 151 million parameters, excluding embedding layers at its input and output heads."

Training gegevens
tokens

100m examples of theorem-proofs "By using existing symbolic engines on a diverse set of random theorem premises, we extracted 100 million synthetic theorems and their proofs, many with more than 200 proof steps, four times longer than the average proof length of olympiad theorems."

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Training hardware
Google TPU v3

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten
Open — downloadable
Toegang tot model
Open weights (unrestricted)
Training code
Open source

Apache 2.0: https://github.com/google-deepmind/alphageometry Data is synthetic so can be reproduced using open code

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Waarom het wordt gevolgd
SOTA improvement

"On a test set of 30 latest olympiad-level problems, AlphaGeometry solves 25, outperforming the previous best method that only solves ten problems and approaching the performance of an average International Mathematical Olympiad (IMO) gold medallist."

Record vertrouwen
Confident
Citaties
574

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie
Solving olympiad geometry without human demonstrations
Laatst bijgewerkt
1 January 2026

De extremen

De tien snelste GPU's die draaien AlphaGeometry

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 22,439 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 22,439 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 17,918 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 17,918 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 14,330 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 13,716 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 13,716 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 13,127 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 11,650 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 11,650 tok/s

De kleinste GPU's die nog steeds draaien AlphaGeometry

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 GeForce RTX 4010 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 269 tok/s
  2. 02 RTX A400 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 269 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 359 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 539 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 95.7 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 280 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 315 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 280 tok/s
  9. 09 Arc A310 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 226 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 0.9 GB · Q8_0 · Comfortabel 233 tok/s

Wat de cijfers betekenen

Hardwarevereisten in de praktijk

Minimum kaart

Tesla C1080

Geheugen nodig

0.9 GB

Snelste

22,439 tok/s

AlphaGeometry bereikt een parameter telling van 151M. Dat is klein genoeg zodat hardware zelden de obstakel is, inclusief op kaarten van enkele jaren oud. Het aantal kaarten dat we volgen die het kunnen draaien: 818.

Het toegangspunt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 244 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 22,439 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

AlphaGeometry werd gepubliceerd door Google DeepMind,New York University (NYU), in het land geregistreerd als United States of America, tijdens January 2024. De categorie waaronder de uitgever valt is industry,Academia.

Het werkt in het domein van Mathematics, en wordt geregistreerd als het uitvoeren van de taak van geometry, Mathematical reasoning.

Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.

Begrijpen van de snelheden

De mediaanresultaat is rond 630.1 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 818 van hen

Het is een dicht model, dus elke parameter wordt gelezen voor elk token dat wordt geproduceerd. Dat maakt de snelheid bijna precies het geheugenbandbreedte bijhouden — een kaart met twee keer de bandbreedte genereert ongeveer twee keer zo snel.

Zonder de aandachtlay-out op record, is de geheugen kolom een benadering. Het is dicht genoeg om hardware te kiezen, en het minst betrouwbaar bij lange context.

Wat erin ging zitten om het te bouwen

De inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor AlphaGeometry

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

  1. 01

    Controleer wat het nodig heeft voordat iets anders.

    Elke kaart hier is gecontroleerd op AlphaGeometry, ongeveer nodig 0.9 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor AlphaGeometry.

  3. 03

    Kies hoe ver je het wilt comprimeren

    Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., bereiken van een compressie van Q8_0 op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.

  4. 04

    Rangschik op doorvoer in plaats van specificatielijst

    De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. AlphaGeometry. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 22,439 tok/s

  5. 05

    Kijk naar de speling, niet alleen naar de pasvorm.

    Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van AlphaGeometry. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.

  6. 06

    Open de kaart die je hebt gekozen.

    Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op AlphaGeometry.

Antwoorden

AlphaGeometry — veelgestelde vragen

01

AlphaGeometry— kan ik het draaien als het niet in mijn GPU past?

Het kan worden opgesplitst tussen de GPU-kaart en systeemgeheugen, maar het genereert op die manier pijnlijk traag. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

02

AlphaGeometry— Zouden twee GPU's het sneller draaien?

Twee kaarten kopen geheugen in plaats van snelheid, wat alleen van belang is als één kaart het niet kan bevatten. Het aantal dat kan: 818. Dus een tweede card is zelden het antwoord hier.

03

AlphaGeometry— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

04

AlphaGeometry— hoe nauwkeurig zijn deze snelheidsschattingen?

Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: 13,463–35,902 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

05

AlphaGeometry— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB. Het draait het model op een compressie van Q8_0 ongeveer 0.9 GB, en produceert ongeveer 244 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

06

AlphaGeometry— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 22,439 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 818.

07

AlphaGeometry— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 0.9 GB bij een compressie van Q8_0, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

08

AlphaGeometry— kan ik het draaien op een GPU met 8 GB?

Ja. De GPU kaart CMP 170HX 8 GB, houden 8 GB, draait het met een compressie van Q8_0, ongeveer 0.9 GB en genereren ongeveer 4,179 tokens per second. De fit is comfortabel.

09

AlphaGeometry— kan ik het draaien op een GPU met 12 GB?

Ja. De GPU kaart GeForce RTX 3080 Ti, houden 12 GB, draait het met een compressie van Q8_0, ongeveer 0.9 GB en genereren ongeveer 2,559 tokens per second. De fit is comfortabel.

10

AlphaGeometry— kan ik het draaien op een GPU met 16 GB?

Ja. De GPU kaart Tesla V100 SXM2 16 GB, houden 16 GB, draait het met een compressie van Q8_0, ongeveer 0.9 GB en genereren ongeveer 3,169 tokens per second. De fit is comfortabel.

11

AlphaGeometry— kan ik het draaien op een GPU met 24 GB?

Ja. De GPU kaart GeForce RTX 5090 D V2, houden 24 GB, draait het met een compressie van Q8_0, ongeveer 0.9 GB en genereren ongeveer 3,758 tokens per second. De fit is comfortabel.

12

AlphaGeometry— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

13

AlphaGeometry— hoeveel parameters heeft het?

Het heeft een parameter telling van 151M. "Overall, the transformer has 151 million parameters, excluding embedding layers at its input and output heads.". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

14

AlphaGeometry— wie heeft het gemaakt?

Het werd gepubliceerd door Google DeepMind,New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.

15

AlphaGeometry— wanneer is het uitgebracht?

Het werd gepubliceerd in January 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

16

AlphaGeometry— waarvoor wordt het gebruikt?

Het werkt in het domein van Mathematics, en wordt geregistreerd als het afhandelen van geometry, Mathematical reasoning. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

17

AlphaGeometry— waar kan ik het downloaden?

De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

Bron

Originele publicatie

Laatste update geregistreerd 1 January 2026

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen