ether0 TPS-rekenmachine
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 we hebben specificaties voor
Kleinste kaart die past
Xeon Phi 7120P
16 GB · IQ4_XS · 9.9 tok/s
Snelste kaart
B200
141 tok/s · 180 GB
Welke GPU's kunnen draaien ether0?
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.
241 kaarten passen
Berekenen| Heeft | Kwantificatie | Past | |||||
|---|---|---|---|---|---|---|---|
|
141
tok/s
85–226 · lage vertrouwen |
B200 NVIDIA | 180 GB | 8,000 GB/s | Jan 2024 | 26.4 GB | Q8_0 | Comfortabel |
|
141
tok/s
85–226 · lage vertrouwen |
B300 NVIDIA | 288 GB | 8,000 GB/s | Sep 2025 | 26.4 GB | Q8_0 | Comfortabel |
|
113
tok/s
68–180 · lage vertrouwen |
Radeon Instinct MI350X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 26.4 GB | Q8_0 | Comfortabel |
|
113
tok/s
68–180 · lage vertrouwen |
Radeon Instinct MI355X AMD | 288 GB | 8,190 GB/s | Jan 2025 | 26.4 GB | Q8_0 | Comfortabel |
|
90.2
tok/s
54–144 · lage vertrouwen |
Radeon Instinct MI300 AMD | 128 GB | 6,550 GB/s | Jan 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
86.3
tok/s
52–138 · lage vertrouwen |
H200 NVL NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 26.4 GB | Q8_0 | Comfortabel |
|
86.3
tok/s
52–138 · lage vertrouwen |
H200 SXM 141 GB NVIDIA | 141 GB | 4,890 GB/s | Nov 2024 | 26.4 GB | Q8_0 | Comfortabel |
|
82.6
tok/s
50–132 · lage vertrouwen |
Radeon Instinct MI325X AMD | 256 GB | 6,000 GB/s | Oct 2024 | 26.4 GB | Q8_0 | Comfortabel |
|
73.3
tok/s
44–117 · lage vertrouwen |
Radeon Instinct MI300A AMD | 128 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
73.3
tok/s
44–117 · lage vertrouwen |
Radeon Instinct MI300X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
73.3
tok/s
44–117 · lage vertrouwen |
Radeon Instinct MI308X AMD | 192 GB | 5,325 GB/s | Dec 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
69.5
tok/s
42–111 · lage vertrouwen |
H100 NVL 94 GB NVIDIA | 94 GB | 3,940 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
59.3
tok/s
36–95 · lage vertrouwen |
H100 PCIe 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
59.3
tok/s
36–95 · lage vertrouwen |
H100 SXM5 80 GB NVIDIA | 80 GB | 3,360 GB/s | Oct 2022 | 26.4 GB | Q8_0 | Comfortabel |
|
59.3
tok/s
36–95 · lage vertrouwen |
H100 SXM5 94 GB NVIDIA | 94 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
59.3
tok/s
36–95 · lage vertrouwen |
H100 SXM5 96 GB NVIDIA | 96 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
59.3
tok/s
36–95 · lage vertrouwen |
H800 SXM5 NVIDIA | 80 GB | 3,360 GB/s | Mar 2023 | 26.4 GB | Q8_0 | Comfortabel |
|
49.0
tok/s
29–78 · lage vertrouwen |
Tesla V100 SXM2 16 GB NVIDIA | 16 GB | 1,130 GB/s | Nov 2019 | 13.8 GB | IQ4_XS | Krap |
|
45.2
tok/s
27–72 · lage vertrouwen |
Radeon Instinct MI250 AMD | 128 GB | 3,280 GB/s | Nov 2021 | 26.4 GB | Q8_0 | Comfortabel |
|
45.2
tok/s
27–72 · lage vertrouwen |
Radeon Instinct MI250X AMD | 128 GB | 3,280 GB/s | Nov 2021 | 26.4 GB | Q8_0 | Comfortabel |
|
41.6
tok/s
25–67 · lage vertrouwen |
GeForce RTX 5080 NVIDIA | 16 GB | 960 GB/s | Jan 2025 | 13.8 GB | IQ4_XS | Krap |
|
38.9
tok/s
23–62 · lage vertrouwen |
Tesla V100 DGXS 16 GB NVIDIA | 16 GB | 897 GB/s | Mar 2018 | 13.8 GB | IQ4_XS | Krap |
|
38.9
tok/s
23–62 · lage vertrouwen |
Tesla V100 PCIe 16 GB NVIDIA | 16 GB | 897 GB/s | Jun 2017 | 13.8 GB | IQ4_XS | Krap |
|
38.9
tok/s
23–62 · lage vertrouwen |
Tesla V100 SXM2 16 GB NVIDIA | 16 GB | 897 GB/s | Jun 2017 | 13.8 GB | IQ4_XS | Krap |
|
38.8
tok/s
23–62 · lage vertrouwen |
GeForce RTX 5070 Ti NVIDIA | 16 GB | 896 GB/s | Feb 2025 | 13.8 GB | IQ4_XS | Krap |
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
- FutureHouse
- Land
- United States of America
- Gepubliceerd
- 5 June 2025
- Auteurs
- Siddharth Narayanan, James Braza, Albert Bou, Geemi Wellawatte, Mayk Caldas, Ludovico Mitchener, Sam Rodriques, Andrew White
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Materials science, Language
- Taak
- Language modeling/generation, Molecular property prediction
- Basis model
- Mistral Small 3
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
- 24B
- Training gegevens
- tokens
24B
Reasoning models are large language models that emit a long chain-of-thought before answering, providing both higher accuracy and explicit reasoning for their response. A major question has been whether language model reasoning generalizes beyond mathematics, programming, and logic, where most previous work has focused. We demonstrate that reasoning models can be post-trained for chemistry without additional domain pretraining, and require substantially less data compared to contemporary domain-…
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.
- Hoe het werd opgericht
- Hardware
- Fijn-tuning compute
- 3.9 × 10²² FLOP
989400000000000 FLOP/GPU/sec * 96 hours * 3600 sec / hour * 384 GPUs * 0.3 [assumed utilization] = 3.9391100928e+22 FLOP "Likely" confidence because I didn't account for SFT training, only RL
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA H100 SXM5 80GB
- Gebruikte chips
- 384
- Kloktijd
- 96 hours
- Stroomverbruik
- 526.5 kW
"The seven specialist models were trained using 24-72 Nvidia H100 GPUs each" "The final all-task RL training phase was performed using 384 H100 GPUs, over 4 days" 4 days = 96 hours
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
- Hugging Face
- futurehouse
apache 2.0 https://huggingface.co/futurehouse/ether0
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
- Likely
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ether0: a scientific reasoning model for chemistry
- Laatst bijgewerkt
- 28 November 2025
De extremen
De tien snelste GPU's die draaien ether0
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..
- 01 B300 288 GB · 8,000 GB/s · Q8_0 141 tok/s
- 02 B200 180 GB · 8,000 GB/s · Q8_0 141 tok/s
- 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 113 tok/s
- 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 113 tok/s
- 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 90.2 tok/s
- 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 86.3 tok/s
- 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 86.3 tok/s
- 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 82.6 tok/s
- 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 73.3 tok/s
- 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 73.3 tok/s
De kleinste GPU's die nog steeds draaien ether0
De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..
- 01 Ryzen AI Z2 Extreme GPU 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 8.7 tok/s
- 02 Radeon RX 7700 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 21.0 tok/s
- 03 Arc Pro B50 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 6.3 tok/s
- 04 RTX PRO 2000 Blackwell 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 12.5 tok/s
- 05 Ryzen Z2 Extreme GPU 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 4.3 tok/s
- 06 Radeon RX 9060 XT 16 GB 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 10.9 tok/s
- 07 GeForce RTX 5060 Ti 16 GB 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 19.4 tok/s
- 08 GeForce RTX 5080 Mobile 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 38.8 tok/s
- 09 Radeon RX 9070 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 21.8 tok/s
- 10 Radeon RX 9070 XT 16 GB · Heeft 13.8 GB · IQ4_XS · Krap 21.8 tok/s
Wat de cijfers betekenen
Hardwarevereisten in de praktijk
Minimum kaart
Xeon Phi 7120P
Geheugen nodig
13.8 GB
Snelste
141 tok/s
ether0 bereikt een parameter telling van 24B. Dat valt binnen het bereik dat een serieuze desktopkaart kan aansteken zodra de gewichten zijn gecomprimeerd. Het aantal kaarten dat we volgen die het kunnen draaien: 241.
Het toegangspunt is Xeon Phi 7120P, met een geheugen capaciteit van 16 GB, het draaien ervan met een compressie van IQ4_XS en produceren rond 9.9 tokens per seconde
De snelste resultaten komen van B200, genereren ongeveer 141 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.
Wat dit model is
ether0 werd gepubliceerd door FutureHouse, in het land geregistreerd als United States of America, tijdens June 2025.
Het werkt in het domein van Materials science, Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Molecular property prediction.
In plaats van vanaf nul te worden getraind, is het afgeleid van Mistral Small 3. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is. Op Hugging Face is het gepubliceerd onder de organisatie futurehouse.
Wat bepaalt de snelheid
De helft van de kaarten die het vasthouden, beheren meer dan 19.4 tokens per seconde. 193 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.
Stap voor stap
Hoe een GPU te kiezen voor ether0
De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..
-
01
Begin vanuit de geheugen kolom
De tabel vermeldt elke kaart die in staat is om te bevatten. ether0, ongeveer nodig 13.8 GB bij een compressie van IQ4_XS. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
-
02
Bepaal hoe lang je gesprekken duren
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 ether0.
-
03
Stel een kwaliteitsvloer in
De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., bereiken van een compressie van IQ4_XS 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.
-
04
Sorteer op snelheid
Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor ether0. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 141 tok/s
-
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 ether0. 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.
-
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 ether0.
Antwoorden
ether0 — veelgestelde vragen
ether0— 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: 85–226 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.
ether0— Welke GPU heb ik nodig om het te draaien?
De kleinste kaart in onze catalogus die het vasthoudt is Xeon Phi 7120P, met een geheugen capaciteit van 16 GB. Het draait het model op een compressie van IQ4_XS ongeveer 13.8 GB, en produceert ongeveer 9.9 tokens per second. Het aantal kaarten dat het totaal kan draaien: 241.
ether0— hoe snel is het op een GPU?
Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 141 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: 193.
ether0— hoeveel VRAM heeft het nodig?
Het heeft ongeveer 13.8 GB bij een compressie van IQ4_XS, 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.
ether0— 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 IQ4_XS, ongeveer 13.8 GB en genereren ongeveer 49.0 tokens per second. De pasvorm is krap.
ether0— 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 Q6_K, ongeveer 20.8 GB en genereren ongeveer 34.4 tokens per second. De pasvorm is krap.
ether0— 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.
ether0— hoeveel parameters heeft het?
Het heeft een parameter telling van 24B. 24B. 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.
ether0— wie heeft het gemaakt?
Het werd gepubliceerd door FutureHouse, gebaseerd op United States of America.
ether0— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2025.
ether0— waarvoor wordt het gebruikt?
Het werkt in het domein van Materials science, Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Molecular property prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
ether0— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie futurehouse. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
ether0— 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. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 4.4 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.
ether0— 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: 241. Dus een tweede card is zelden het antwoord hier.
ether0— 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: 4. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.
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.