ESM1v TPS-rekenmachine

Open gewichten Facebook AI Research,New York University (NYU),University of California (UC) Berkeley 650M parameters November 2021

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 · 56.7 tok/s

Snelste kaart

B200

5,213 tok/s · 180 GB

Welke GPU's kunnen draaien ESM1v?

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
5,213 tok/s

3,128–8,340 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.4 GB Q8_0 Comfortabel
5,213 tok/s

3,128–8,340 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.4 GB Q8_0 Comfortabel
4,162 tok/s

2,497–6,660 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Comfortabel
4,162 tok/s

2,497–6,660 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.4 GB Q8_0 Comfortabel
3,329 tok/s

1,997–5,326 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.4 GB Q8_0 Comfortabel
3,186 tok/s

1,912–5,098 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Comfortabel
3,186 tok/s

1,912–5,098 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.4 GB Q8_0 Comfortabel
3,049 tok/s

1,830–4,879 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.4 GB Q8_0 Comfortabel
2,706 tok/s

1,624–4,330 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Comfortabel
2,706 tok/s

1,624–4,330 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Comfortabel
2,706 tok/s

1,624–4,330 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.4 GB Q8_0 Comfortabel
2,567 tok/s

1,540–4,108 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.4 GB Q8_0 Comfortabel
2,189 tok/s

1,314–3,503 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Comfortabel
2,189 tok/s

1,314–3,503 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.4 GB Q8_0 Comfortabel
2,189 tok/s

1,314–3,503 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Comfortabel
2,189 tok/s

1,314–3,503 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Comfortabel
2,189 tok/s

1,314–3,503 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.4 GB Q8_0 Comfortabel
1,667 tok/s

1,000–2,667 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Comfortabel
1,667 tok/s

1,000–2,667 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.4 GB Q8_0 Comfortabel
1,389 tok/s

834–2,223 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.4 GB Q8_0 Comfortabel
1,360 tok/s

816–2,175 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.4 GB Q8_0 Comfortabel
1,329 tok/s

798–2,127 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.4 GB Q8_0 Comfortabel
1,329 tok/s

798–2,127 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.4 GB Q8_0 Comfortabel
1,329 tok/s

798–2,127 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.4 GB Q8_0 Comfortabel
1,329 tok/s

798–2,127 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.4 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
Facebook AI Research,New York University (NYU),University of California (UC) Berkeley
Organisatietype
Industry,Academia,Academia
Land
United States of America, France
Gepubliceerd
17 November 2021
Auteurs
Joshua Meier, Roshan Rao, Robert Verkuil, Jason Liu, Tom Sercu, Alexander Rives

Wat het doet

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

Domein
Biology
Taak
Proteins, Protein or nucleotide language model (pLM/nLM), Protein pathogenicity prediction

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
650M

"We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects"

Training gegevens
22,050,000,000 tokens

"We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects, on 98 million diverse protein sequences across evolution"

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen
1.4 × 10²⁰ FLOP

"ESM-1v models are pre-trained for 6 days on 64 V100 GPUs" [F - Compute costs] Assuming V100 PCIe single precision 14 TFLOPS and 0.3 utilization rate Estimate: (6*24*3600) s * 14e12 FLOP/s * 0.3 *64 = 1.4e20 FLOPs Alternative estimate based on Figure 7: 10^(7.5) GPU-seconds * 14e12 FLOP/s * 0.3 = 1.3e20 FLOPs Mean: 1.35e20 FLOP

Hoe het werd opgericht
Hardware

De trainingsrun

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

Training hardware
NVIDIA V100
Gebruikte chips
64
Stroomverbruik
38.7 kW

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
Unreleased

MIT for code/weights. Uniref data has commercial license https://github.com/facebookresearch/esm

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.

Record vertrouwen
Confident
Citaties
713

Bronnen

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

Referentie
Language models enable zero-shot prediction of the effects of mutations on protein function
Laatst bijgewerkt
1 January 2026

De extremen

De tien snelste GPU's die draaien ESM1v

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 5,213 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 5,213 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,162 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,162 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,329 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,186 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,186 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,049 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,706 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,706 tok/s

De kleinste GPU's die nog steeds draaien ESM1v

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 1.4 GB · Q8_0 · Comfortabel 62.6 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 62.6 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 83.4 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 125 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 22.2 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 65.1 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 73.2 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 65.1 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 52.5 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.4 GB · Q8_0 · Comfortabel 54.2 tok/s

Wat de cijfers betekenen

Hardwarevereisten in de praktijk

Minimum kaart

Tesla C1080

Geheugen nodig

1.4 GB

Snelste

5,213 tok/s

ESM1v bereikt een parameter telling van 650M. 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 56.7 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 5,213 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

ESM1v werd gepubliceerd door Facebook AI Research,New York University (NYU),University of California (UC) Berkeley, in het land geregistreerd als United States of America, tijdens November 2021. De publicerende organisatie is geclassificeerd als industry,Academia,Academia.

Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van proteins, Protein or nucleotide language model (pLM/nLM), Protein pathogenicity prediction.

Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 146.4 tokens per seconde. 809 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.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Hoe het getraind werd

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

De trainingsset liep naar ongeveer 22,050,000,000 tekstokens

Stap voor stap

Hoe een GPU te kiezen voor ESM1v

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

    Lees eerst de geheugenfiguur

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van ESM1v, ongeveer nodig 1.4 GB bij een compressie van Q8_0. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Bepaal hoe lang je gesprekken duren

    Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor ESM1v.

  3. 03

    Stel een kwaliteitsvloer in

    Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., 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

    Vergelijk tokens per seconde, niet specificaties

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor ESM1v. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 5,213 tok/s

  5. 05

    Lees de passen kolom laatst

    Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van ESM1v. 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

    Controleer de kaart vanaf de andere kant

    Elke kaartnaam linkt naar zijn eigen pagina, die dezelfde berekening door het hele modelcatalogus uitvoert. Een kaart wordt meestal gekocht voor meer dan één model, dus het is de moeite waard om te kijken voordat je koopt voor ESM1v.

Antwoorden

ESM1v — veelgestelde vragen

01

ESM1v— 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 1.4 GB en genereren ongeveer 873 tokens per second. De fit is comfortabel.

02

ESM1v— 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.

03

ESM1v— hoeveel parameters heeft het?

Het heeft een parameter telling van 650M. "We train ESM-1v, a 650M parameter transformer language model for prediction of variant effects". 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.

04

ESM1v— wie heeft het gemaakt?

Het werd gepubliceerd door Facebook AI Research,New York University (NYU),University of California (UC) Berkeley, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Academia.

05

ESM1v— wanneer is het uitgebracht?

Het werd gepubliceerd in November 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

06

ESM1v— waarvoor wordt het gebruikt?

Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van proteins, Protein or nucleotide language model (pLM/nLM), Protein pathogenicity prediction. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.

07

ESM1v— 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.

08

ESM1v— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 1.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

09

ESM1v— 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.

10

ESM1v— 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.

11

ESM1v— waarom verschilt de quantisatie tussen kaarten?

Omdat de capaciteit varieert, varieert ook hoe hard het moet worden samengedrukt. Het aantal onderscheidende niveaus in de bovenstaande tabel: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

12

ESM1v— 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: 3,128–8,340 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

13

ESM1v— 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 1.4 GB, en produceert ongeveer 56.7 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

14

ESM1v— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 5,213 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: 809.

15

ESM1v— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.4 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.

16

ESM1v— 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 1.4 GB en genereren ongeveer 971 tokens per second. De fit is comfortabel.

17

ESM1v— 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 1.4 GB en genereren ongeveer 595 tokens per second. De fit is comfortabel.

18

ESM1v— 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 1.4 GB en genereren ongeveer 736 tokens per second. De fit is comfortabel.

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