TxGemma 27B TPS-rekenmachine

Open gewichten Google DeepMind,Google Research 27B parameters April 2025

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

241 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Xeon Phi 7120P

16 GB · Q3_K_M · 9.7 tok/s

Snelste kaart

B200

125 tok/s · 180 GB

Welke GPU's kunnen draaien TxGemma 27B?

Stel de invoer in, lees het antwoord

Contextlengte tokens

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

Minimale kwaliteit

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

Zoek kaarten

Kaartgeheugen

Toon ook kaarten die het niet kunnen draaien

241 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
125 tok/s 107–151	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	30.1 GB	Q8_0	Comfortabel
125 tok/s 107–151	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	30.1 GB	Q8_0	Comfortabel
100 tok/s 60–160 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Comfortabel
100 tok/s 60–160 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	30.1 GB	Q8_0	Comfortabel
80.1 tok/s 48–128 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	30.1 GB	Q8_0	Comfortabel
76.7 tok/s 65–92	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Comfortabel
76.7 tok/s 65–92	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	30.1 GB	Q8_0	Comfortabel
73.4 tok/s 44–117 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	30.1 GB	Q8_0	Comfortabel
65.2 tok/s 39–104 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Comfortabel
65.2 tok/s 39–104 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Comfortabel
65.2 tok/s 39–104 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	30.1 GB	Q8_0	Comfortabel
61.8 tok/s 53–74	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	30.1 GB	Q8_0	Comfortabel
52.7 tok/s 45–63	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Comfortabel
52.7 tok/s 45–63	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	30.1 GB	Q8_0	Comfortabel
52.7 tok/s 45–63	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Comfortabel
52.7 tok/s 45–63	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Comfortabel
52.7 tok/s 45–63	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	30.1 GB	Q8_0	Comfortabel
47.8 tok/s 41–57	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.4 GB	Q3_K_M	Krap
42.6 tok/s 36–51	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Comfortabel
42.6 tok/s 36–51	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	23.8 GB	Q6_K	Comfortabel
40.8 tok/s 35–49	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Comfortabel
40.8 tok/s 35–49	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	23.8 GB	Q6_K	Comfortabel
40.6 tok/s 35–49	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.4 GB	Q3_K_M	Krap
40.1 tok/s 24–64 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	30.1 GB	Q8_0	Comfortabel
40.1 tok/s 24–64 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	30.1 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,Google Research
Organisatietype: Industry,Industry
Land: United States of America
Gepubliceerd: 8 April 2025
Auteurs: Eric Wang, Samuel Schmidgall, Paul F. Jaeger, Fan Zhang, Rory Pilgrim, Yossi Matias, Joelle Barral, David Fleet, Shekoofeh Azizi

Wat het doet

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

Domein: Language, Biology
Taak: Protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation
Basis model: Gemma 2 27B

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: 27B
Training gegevens: tokens
Epochs: 12

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: 2.1 × 10²⁴ FLOP
Hoe het werd opgericht: Operation counting
Fijn-tuning compute: 1.1 × 10²² FLOP

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 v4
Gebruikte chips: 256
Stroomverbruik: 170.7 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 (restricted use)
Training code: Unreleased
Hugging Face: google

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.

Waarschijnlijk boven de 10²³ FLOP: Yes
Record vertrouwen: Confident

Bronnen

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

Referentie: TxGemma: Efficient and Agentic LLMs for Therapeutics
Laatst bijgewerkt: 28 November 2025

De extremen

De tien snelste GPU's die draaien TxGemma 27B

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..

De kleinste GPU's die nog steeds draaien TxGemma 27B

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

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

Xeon Phi 7120P

Geheugen nodig

14.4 GB

Snelste

125 tok/s

TxGemma 27B bereikt een parameter telling van 27B. 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.

Aan de onderkant wordt het afgehandeld door Xeon Phi 7120P, met een geheugen capaciteit van 16 GB, het draaien ervan met een compressie van Q3_K_M en produceren rond 9.7 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 125 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Achtergrond

TxGemma 27B werd gepubliceerd door Google DeepMind,Google Research, in het land geregistreerd als United States of America, tijdens April 2025. Het komt uit een organisatie gecategoriseerd als industry,Industry.

Het werkt in het domein van Language, Biology, en wordt geregistreerd als het uitvoeren van de taak van protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation.

Het startpunt was een bestaand basismodel, Gemma 2 27B. 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 google.

Het lezen van de doorvoercijfers

Over elke kaart die het kan draaien, ligt het midden van het bereik op 19.0 tokens per seconde. 196 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.

Omdat de architectuur is vastgelegd, is de geheugen kolom afgeleid in plaats van geschat.

Hoe het getraind werd

Training kostte een rekensbudget van ongeveer 2.1 × 10²⁴ FLOP, op hardware vastgelegd als Google TPU v4. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor TxGemma 27B

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

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van TxGemma 27B, ongeveer nodig 14.4 GB bij een compressie van Q3_K_M. 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 TxGemma 27B.
03

Bepaal hoeveel compressie je accepteert

Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q3_K_M 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

Vergelijk tokens per seconde, niet specificaties

Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor TxGemma 27B. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 125 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 TxGemma 27B. 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 TxGemma 27B.

Antwoorden

TxGemma 27B — veelgestelde vragen

TxGemma 27B— 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 Q3_K_M ongeveer 14.4 GB, en produceert ongeveer 9.7 tokens per second. Het aantal kaarten dat het totaal kan draaien: 241.

TxGemma 27B— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 125 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: 196.

TxGemma 27B— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 14.4 GB bij een compressie van Q3_K_M, 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.

TxGemma 27B— 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 Q3_K_M, ongeveer 14.4 GB en genereren ongeveer 47.8 tokens per second. De pasvorm is krap.

TxGemma 27B— 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 Q5_K_M, ongeveer 20.6 GB en genereren ongeveer 37.5 tokens per second. De pasvorm is krap.

TxGemma 27B— 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.

TxGemma 27B— hoeveel parameters heeft het?

Het heeft een parameter telling van 27B. 27B. 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.

TxGemma 27B— wie heeft het gemaakt?

Het werd gepubliceerd door Google DeepMind,Google Research, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.

TxGemma 27B— wanneer is het uitgebracht?

Het werd gepubliceerd in April 2025.

TxGemma 27B— waarvoor wordt het gebruikt?

Het werkt in het domein van Language, Biology, en wordt geregistreerd als het afhandelen van protein or nucleotide language model (pLM/nLM), Protein property prediction, Small molecule property prediction, Chat, Question answering, Protein question answering, Protein function prediction, Language modeling/generation. 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.

TxGemma 27B— waar kan ik het downloaden?

Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie google. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.

TxGemma 27B— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2.1 × 10²⁴ FLOP, op hardware vastgelegd als Google TPU v4. 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.

TxGemma 27B— kan ik het draaien als het niet in mijn GPU past?

Gedeeltelijk. Layers die niet passen, bevinden zich in system memory en draaien met een fractie van de snelheid, dus een grotendeels gedeactiveerd model is zelden de moeite waard om te gebruiken. De dichtstbijzijnde miscalculatie die we berekenen, komt tekort met 6.7 GB Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

TxGemma 27B— Zouden twee GPU's het sneller draaien?

Capaciteit voegt samen over kaarten; doorvoer niet. Het aantal kaarten dat het al op zichzelf vasthoudt: 241. Dus een tweede card is zelden het antwoord hier.

TxGemma 27B— 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: 5. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

TxGemma 27B— hoe nauwkeurig zijn deze snelheidsschattingen?

Ze worden berekend uit specificaties in plaats van gemeten, en elk heeft een bereik. Een voorbeeld: 107–151 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Bron

Originele publicatie

Laatste update geregistreerd 28 November 2025

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