SciBERT TPS-rekenmachine

Open gewichten Allen Institute for AI 110M parameters March 2019

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 · 335 tok/s

Snelste kaart

B200

30,802 tok/s · 180 GB

Welke GPU's kunnen draaien SciBERT?

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
30,802 tok/s

18,481–49,283 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Comfortabel
30,802 tok/s

18,481–49,283 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Comfortabel
24,596 tok/s

14,758–39,354 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Comfortabel
24,596 tok/s

14,758–39,354 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Comfortabel
19,671 tok/s

11,803–31,474 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
18,828 tok/s

11,297–30,124 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Comfortabel
18,828 tok/s

11,297–30,124 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Comfortabel
18,019 tok/s

10,812–28,831 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Comfortabel
15,992 tok/s

9,595–25,587 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
15,992 tok/s

9,595–25,587 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
15,992 tok/s

9,595–25,587 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Comfortabel
15,170 tok/s

9,102–24,272 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
12,937 tok/s

7,762–20,699 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
12,937 tok/s

7,762–20,699 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Comfortabel
12,937 tok/s

7,762–20,699 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
12,937 tok/s

7,762–20,699 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
12,937 tok/s

7,762–20,699 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Comfortabel
9,851 tok/s

5,910–15,761 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Comfortabel
9,851 tok/s

5,910–15,761 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Comfortabel
8,209 tok/s

4,925–13,134 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
8,034 tok/s

4,820–12,854 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Comfortabel
7,855 tok/s

4,713–12,567 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Comfortabel
7,855 tok/s

4,713–12,567 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Comfortabel
7,855 tok/s

4,713–12,567 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Comfortabel
7,855 tok/s

4,713–12,567 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 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
Allen Institute for AI
Organisatietype
Research collective
Land
United States of America
Gepubliceerd
26 March 2019
Auteurs
Iz Beltagy, Kyle Lo, Arman Cohan

Wat het doet

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

Domein
Language
Taak
Relation extraction, Sentiment classification, Text classification, Named entity recognition (NER)

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
110M

110M size of bert base from https://huggingface.co/google-bert/bert-base-uncased relevant citation: "We use the original BERT code to train SCIBERT on our corpus with the same con- figuration and size as BERT-Base. We train 4 different versions of SCIBERT: (i) cased or un- cased and (ii) BASEVOCAB or SCIVOCAB. The two models that use BASEVOCAB are finetuned from the corresponding BERT-Base models. The other two models that use the new SCIVOCAB are trained from scratch."

Training gegevens
3,170,000,000 tokens

"The average paper length is 154 sentences (2,769 tokens) resulting in a corpus size of 3.17B tokens, similar to the 3.3B tokens on which BERT was trained."

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
8.9 × 10¹⁹ FLOP

4*123e12*0.3*(7*24*3600) = 8.926848e+19 (num gpu) * (peak compute) * (assumed utilization rate) * (time in seconds) We have: 4 TPUv3 chips.123teraFLOPS per chip. 7 days of training "We use a single TPU v3 with 8 cores. Training the SCIVOCAB models from scratch on our corpus takes 1 week (5 days with max length 128, then 2 days with max length 512). " If this compute estimate is accurate and BERT is approximately dense, then C=6eND -> e=C/6ND ~= 40 epochs.

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
Google TPU v3
Gebruikte chips
4
Chip-uren
672
Kloktijd
168 hours (7 days)

1 week

Stroomverbruik
3.7 kW
Rekenkosten
$247

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, code and weights: https://github.com/allenai/scibert/

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
Highly cited,SOTA improvement

"We demonstrate statistically significant improvements over BERT and achieve new state-of-the-art results on several of these tasks"

Record vertrouwen
Confident
Citaties
3,705

Bronnen

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

Referentie
SciBERT: A Pretrained Language Model for Scientific Text
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien SciBERT

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 30,802 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 30,802 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 24,596 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 24,596 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 19,671 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 18,828 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 18,828 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 18,019 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 15,992 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 15,992 tok/s

De kleinste GPU's die nog steeds draaien SciBERT

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 0.8 GB · Q8_0 · Comfortabel 370 tok/s
  2. 02 RTX A400 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 370 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 493 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 739 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 131 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 384 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 432 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 384 tok/s
  9. 09 Arc A310 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 310 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 0.8 GB · Q8_0 · Comfortabel 320 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

0.8 GB

Snelste

30,802 tok/s

SciBERT bereikt een parameter telling van 110M. 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.

De kleinste kaart die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 335 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 30,802 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

SciBERT werd gepubliceerd door Allen Institute for AI, in het land geregistreerd als United States of America, tijdens March 2019. Het komt uit een organisatie gecategoriseerd als research collective.

Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van relation extraction, Sentiment classification, Text classification, Named entity recognition (NER).

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.

Wat bepaalt de snelheid

De mediaanresultaat is rond 864.9 tokens per seconde. 818 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

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.

Training en herkomst

Training kostte een rekensbudget van ongeveer 8.9 × 10¹⁹ FLOP, op hardware vastgelegd als Google TPU v3. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Het is getraind op een corpus van ongeveer 3,170,000,000 tekstokens

De inclusiecriteria: highly cited,SOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor SciBERT

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.

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van SciBERT, ongeveer nodig 0.8 GB bij een compressie van Q8_0. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Stem de context af op uw werkelijke gebruik

    Het gesprek verbruikt ook geheugen en groeit naarmate het vordert. Stel de schuifregelaar in op de lengte die je verwacht, want bij lange CONTEXT kan een KAART die korte vragen gemakkelijk afhandelt, verworpen worden door SciBERT.

  3. 03

    Kies hoe ver je het wilt comprimeren

    De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., 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

    Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor SciBERT. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 30,802 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 SciBERT. 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 kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast SciBERT.

Antwoorden

SciBERT — veelgestelde vragen

01

SciBERT— 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 0.8 GB en genereren ongeveer 5,159 tokens per second. De fit is comfortabel.

02

SciBERT— 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

SciBERT— hoeveel parameters heeft het?

Het heeft een parameter telling van 110M. 110M size of bert base from https://huggingface.co/google-bert/bert-base-uncased relevant citation: "We use the original BERT code to train SCIBERT on our corpus with the same con- figuration and size as BERT-Base. We train 4 different versions of SCIBERT: (i) cased or un- cased and (ii) BASEVOCAB or SCIVOCAB. The two models that use BASEVOCAB are finetuned from the corresponding BERT-Base models. The other two models that use the new SCIVOCAB are trained from scratch.". 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

SciBERT— wie heeft het gemaakt?

Het werd gepubliceerd door Allen Institute for AI, gebaseerd op United States of America, een organisatie geclassificeerd als research collective.

05

SciBERT— wanneer is het uitgebracht?

Het werd gepubliceerd in March 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

06

SciBERT— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van relation extraction, Sentiment classification, Text classification, Named entity recognition (NER). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

07

SciBERT— 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

SciBERT— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 8.9 × 10¹⁹ FLOP, op hardware vastgelegd als Google TPU v3. 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

SciBERT— 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

SciBERT— 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

SciBERT— waarom verschilt de quantisatie tussen kaarten?

Een grotere CARD houdt een nauwkeuriger kopie. Het aantal compressieniveaus dat gebruikt wordt op de CARDS die het draaien: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

12

SciBERT— hoe nauwkeurig zijn deze snelheidsschattingen?

Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 18,481–49,283 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

13

SciBERT— 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 0.8 GB, en produceert ongeveer 335 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

14

SciBERT— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 30,802 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.

15

SciBERT— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 0.8 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

SciBERT— 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 0.8 GB en genereren ongeveer 5,737 tokens per second. De fit is comfortabel.

17

SciBERT— 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 0.8 GB en genereren ongeveer 3,513 tokens per second. De fit is comfortabel.

18

SciBERT— 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 0.8 GB en genereren ongeveer 4,351 tokens per second. De fit is comfortabel.

Bron

Originele publicatie

Laatste update geregistreerd 25 May 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