K-EXAONE 2.0 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
Welke GPU's kunnen draaien K-EXAONE 2.0?
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.
0 kaarten passen
Berekenen| Heeft | Kwantificatie | Past | |||||
|---|---|---|---|---|---|---|---|
|
Geen kaart in onze catalogus kan dit model met deze instellingen draaien.. |
|||||||
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
- LG AI Research
- Organisatietype
- Industry
- Land
- Korea (Republic of)
- Gepubliceerd
- 31 July 2026
- Auteurs
- Eunbi Choi, Kibong Choi, Sehyun Chun, Seokhee Hong, Junwon Hwang, Hyojin Jeon, Ahra Jo, Hyunjik Jo, Yeonsik Jo, Minhyeok Jung, Doyoung Kim, Heegyu Kim, Joonkee Kim, Seonghwan Kim, Soyeon Kim, Sunkyoung Kim, Yireun Kim, Yongil Kim, Byungoh Ko, Changhun Lee, Dohaeng Lee, Haeju Lee, Jinsik Lee, Kyungmin Lee, Minwoo Lee, Wonkee Lee, Sangha Park, Sungjune Park, Kwangrok Ryoo, Kijung Seo, Minju Seo, Yon…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation
- Basis model
- K-EXAONE
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
- 750B
- Training gegevens
- tokens
MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B).
16T tokens (developer-reported via email, July 2026). The technical report describes continual pre-training on an additional ~8T tokens after a healing stage, mid-training on 800B tokens (two 400B stages extending context to 64K then 256K), and SFT on 350B tokens, on top of the upcycled K-EXAONE base (11T tokens).
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
- 3.6 × 10²⁴ FLOP
- Hoe het werd opgericht
- Reported
3.55e24 FLOP reported by LG AI Research via email (July 2026), alongside a 16T-token training data figure. Cross-check by operation counting: 6 * 37e9 active parameters * 16e12 tokens = 3.55e24 FLOP, exactly consistent with the reported figure. Note that K-EXAONE 2.0 is upcycled from K-EXAONE (11T tokens at 23B active parameters, 1.52e24 FLOP). The technical report describes a healing stage followed by ~8T tokens of continual pre-training, 800B tokens of mid-training (2 x 400B), and 350B token…
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
- LGAI-EXAONE
Released under Apache 2.0 on Hugging Face.
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
- Training cost
- Record vertrouwen
- Confident
Developer-reported training compute cost of USD 17,998,771.54 (KRW 26,006,425,000 at 1,444.9 KRW/USD), communicated by LG AI Research via email (July 2026); exceeds the training cost threshold. Underlying cost calculation not provided.
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- K-EXAONE 2.0 Technical Report
- Laatst bijgewerkt
- 4 August 2026
Wat de cijfers betekenen
Wat nodig is om dit model te draaien
K-EXAONE 2.0 bereikt een parameter telling van 750B. Dat is meer dan wat enige enkele grafische kaart bevat. Het draaien ervan betekent ofwel het splitsen over meerdere kaarten of het huren van hardware die voor de klus is gebouwd, en elke kaart die het alleen kan vasthouden, is een datacenteronderdeel. Het aantal dat kan: 0.
Achtergrond
K-EXAONE 2.0 werd gepubliceerd door LG AI Research, in het land geregistreerd als Korea (Republic of), tijdens July 2026. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation.
Het startpunt was een bestaand basismodel, K-EXAONE. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
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. Op Hugging Face is het gepubliceerd onder de organisatie LGAI-EXAONE.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.6 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: training cost.
Stap voor stap
Hoe een GPU te kiezen voor K-EXAONE 2.0
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. K-EXAONE 2.0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.
-
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 K-EXAONE 2.0.
-
03
Stel een kwaliteitsvloer in
Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden.. 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
Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor K-EXAONE 2.0. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte.
-
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 K-EXAONE 2.0. 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 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 K-EXAONE 2.0.
Antwoorden
K-EXAONE 2.0 — veelgestelde vragen
K-EXAONE 2.0— hoeveel parameters heeft het?
Het heeft een parameter telling van 750B. MoE architecture: 750B total parameters, ~37B activated per token. 78 layers (2 dense + 76 MoE); 256 routed experts + 1 shared expert, top-8 routed experts activated per token. Upcycled from K-EXAONE (236B total / 23B active) by depth expansion (48 -> 78 layers) and expert duplication (128 -> 256 experts per layer). Excludes auxiliary speculative-decoding modules (MTP 0.52B, DSpark 2.53B). 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.
K-EXAONE 2.0— wie heeft het gemaakt?
Het werd gepubliceerd door LG AI Research, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry.
K-EXAONE 2.0— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2026.
K-EXAONE 2.0— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Chat, Question answering, Code generation, Mathematical reasoning, Instruction interpretation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
K-EXAONE 2.0— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie LGAI-EXAONE. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
K-EXAONE 2.0— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.6 × 10²⁴ FLOP. 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.
K-EXAONE 2.0— 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 197.8 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.
K-EXAONE 2.0— 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: 0. Dus een tweede card is zelden het antwoord hier.
K-EXAONE 2.0— 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.
K-EXAONE 2.0— 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: de reeks onder elk cijfer. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.
K-EXAONE 2.0— 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.
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.