Prithvi-EO-2.0 600M TPS-rekenmachine

Open gewichten IBM Research,NASA,University of Alabama,University of Iceland,Forschungszentrum Julich,Virginia Tech (Virginia Polytechnic Institute and State University),Arizona State University,Oregon State University,Boston University,University of California (UC) Berkeley,Julich Supercomputing Center 600M parameters February 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

818 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 61.4 tok/s

Snelste kaart

B200

5,647 tok/s · 180 GB

Welke GPU's kunnen draaien Prithvi-EO-2.0 600M?

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
5,647 tok/s

3,388–9,035 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.3 GB Q8_0 Comfortabel
5,647 tok/s

3,388–9,035 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.3 GB Q8_0 Comfortabel
4,509 tok/s

2,706–7,215 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Comfortabel
4,509 tok/s

2,706–7,215 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.3 GB Q8_0 Comfortabel
3,606 tok/s

2,164–5,770 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.3 GB Q8_0 Comfortabel
3,452 tok/s

2,071–5,523 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Comfortabel
3,452 tok/s

2,071–5,523 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.3 GB Q8_0 Comfortabel
3,304 tok/s

1,982–5,286 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.3 GB Q8_0 Comfortabel
2,932 tok/s

1,759–4,691 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Comfortabel
2,932 tok/s

1,759–4,691 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Comfortabel
2,932 tok/s

1,759–4,691 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.3 GB Q8_0 Comfortabel
2,781 tok/s

1,669–4,450 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.3 GB Q8_0 Comfortabel
2,372 tok/s

1,423–3,795 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Comfortabel
2,372 tok/s

1,423–3,795 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.3 GB Q8_0 Comfortabel
2,372 tok/s

1,423–3,795 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Comfortabel
2,372 tok/s

1,423–3,795 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Comfortabel
2,372 tok/s

1,423–3,795 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.3 GB Q8_0 Comfortabel
1,806 tok/s

1,084–2,889 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Comfortabel
1,806 tok/s

1,084–2,889 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.3 GB Q8_0 Comfortabel
1,505 tok/s

903–2,408 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.3 GB Q8_0 Comfortabel
1,473 tok/s

884–2,357 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.3 GB Q8_0 Comfortabel
1,440 tok/s

864–2,304 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.3 GB Q8_0 Comfortabel
1,440 tok/s

864–2,304 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.3 GB Q8_0 Comfortabel
1,440 tok/s

864–2,304 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.3 GB Q8_0 Comfortabel
1,440 tok/s

864–2,304 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.3 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
IBM Research,NASA,University of Alabama,University of Iceland,Forschungszentrum Julich,Virginia Tech (Virginia Polytechnic Institute and State University),Arizona State University,Oregon State University,Boston University,University of California (UC) Berkeley,Julich Supercomputing Center
Organisatietype
Industry,Government,Academia,Academia,Government,Academia,Academia,Academia,Academia,Academia,Government
Land
United States of America, Iceland, Germany
Gepubliceerd
3 February 2025
Auteurs
Daniela Szwarcman, Sujit Roy, Paolo Fraccaro, Þorsteinn Elí Gíslason, Benedikt Blumenstiel, Rinki Ghosal, Pedro Henrique de Oliveira, Joao Lucas de Sousa Almeida, Rocco Sedona, Yanghui Kang, Srija Chakraborty, Sizhe Wang, Carlos Gomes, Ankur Kumar, Myscon Truong, Denys Godwin, Hyunho Lee, Chia-Yu Hsu, Ata Akbari Asanjan, Besart Mujeci, Disha Shidham, Trevor Keenan, Paulo Arevalo, Wenwen Li, Hamed …

Wat het doet

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

Domein
Earth science

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
600M

600M

Training gegevens
tokens

"Trained on 4.2M global time series samples from NASA’s Harmonized Landsat and Sentinel-2 data archive at 30m resolution" "The models were trained for 400 epochs"

Epochs
400

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 × 10²² FLOP

312000000000000 FLOP / GPU / sec [bf16 assumed] * 58000 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.954368e+22 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 A100
Gebruikte chips
240
Chip-uren
58,000
Stroomverbruik
188.5 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)
Hugging Face
ibm-nasa-geospatial

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

Bronnen

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

Referentie
Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications
Laatst bijgewerkt
28 November 2025

De extremen

De tien snelste GPU's die draaien Prithvi-EO-2.0 600M

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 5,647 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 5,647 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 4,509 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 4,509 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 3,606 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 3,452 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 3,452 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 3,304 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,932 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,932 tok/s

De kleinste GPU's die nog steeds draaien Prithvi-EO-2.0 600M

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 1.3 GB · Q8_0 · Comfortabel 67.8 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 67.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 90.4 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 136 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 24.1 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 70.5 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 79.3 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 70.5 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 56.9 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.3 GB · Q8_0 · Comfortabel 58.7 tok/s

Wat de cijfers betekenen

Wat je nodig hebt om het te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.3 GB

Snelste

5,647 tok/s

Prithvi-EO-2.0 600M bereikt een parameter telling van 600M. 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 minste hardware die werkt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 61.4 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 5,647 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Over dit model

Prithvi-EO-2.0 600M werd gepubliceerd door IBM Research,NASA,University of Alabama,University of Iceland,Forschungszentrum Julich,Virginia Tech (Virginia Polytechnic Institute and State University),Arizona State University,Oregon State University,Boston University,University of California (UC) Berkeley,Julich Supercomputing Center, in het land geregistreerd als United States of America, tijdens February 2025. De categorie waaronder de uitgever valt is industry,Government,Academia,Academia,Government,Academia,Academia,Academia,Academia,Academia,Government.

Het werkt in het domein van Earth science.

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. Op Hugging Face is het gepubliceerd onder de organisatie ibm-nasa-geospatial.

Hoe snel het draait, en waarom

De mediaanresultaat is rond 158.6 tokens per second. Outright de leessnelheid overschrijden. 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.

Geheugen hier is geschat op basis van grootte in plaats van berekend vanuit de architectuur, die niet is vastgelegd voor dit model — de cijfers zijn indicatief eerder dan exact.

Wat erin ging zitten om het te bouwen

Training kostte een rekensbudget van ongeveer 2 × 10²² FLOP, op hardware vastgelegd als NVIDIA A100. 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 Prithvi-EO-2.0 600M

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.

    Elke kaart hier is gecontroleerd op Prithvi-EO-2.0 600M, ongeveer nodig 1.3 GB bij een compressie van Q8_0. Geen hoeveelheid verwerkingskracht compenseert een kaart die het niet kan vasthouden.

  2. 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 Prithvi-EO-2.0 600M.

  3. 03

    Bepaal hoeveel compressie je accepteert

    Compressie is wat een model laat passen op kleinere kaarten, tegen een bepaalde kost in nauwkeurigheid., 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

    Rangschik op doorvoer in plaats van specificatielijst

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor Prithvi-EO-2.0 600M. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 5,647 tok/s

  5. 05

    Lees de passen kolom laatst

    De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van Prithvi-EO-2.0 600M. 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 Prithvi-EO-2.0 600M.

Antwoorden

Prithvi-EO-2.0 600M — veelgestelde vragen

01

Prithvi-EO-2.0 600M— 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.

02

Prithvi-EO-2.0 600M— 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: 3,388–9,035 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

03

Prithvi-EO-2.0 600M— 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 1.3 GB, en produceert ongeveer 61.4 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

04

Prithvi-EO-2.0 600M— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 5,647 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.

05

Prithvi-EO-2.0 600M— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.3 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.

06

Prithvi-EO-2.0 600M— 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 1.3 GB en genereren ongeveer 1,052 tokens per second. De fit is comfortabel.

07

Prithvi-EO-2.0 600M— 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 1.3 GB en genereren ongeveer 644 tokens per second. De fit is comfortabel.

08

Prithvi-EO-2.0 600M— 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 1.3 GB en genereren ongeveer 798 tokens per second. De fit is comfortabel.

09

Prithvi-EO-2.0 600M— 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 1.3 GB en genereren ongeveer 946 tokens per second. De fit is comfortabel.

10

Prithvi-EO-2.0 600M— 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.

11

Prithvi-EO-2.0 600M— hoeveel parameters heeft het?

Het heeft een parameter telling van 600M. 600M. 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.

12

Prithvi-EO-2.0 600M— wie heeft het gemaakt?

Het werd gepubliceerd door IBM Research,NASA,University of Alabama,University of Iceland,Forschungszentrum Julich,Virginia Tech (Virginia Polytechnic Institute and State University),Arizona State University,Oregon State University,Boston University,University of California (UC) Berkeley,Julich Supercomputing Center, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Government,Academia,Academia,Government,Academia,Academia,Academia,Academia,Academia,Government.

13

Prithvi-EO-2.0 600M— wanneer is het uitgebracht?

Het werd gepubliceerd in February 2025.

14

Prithvi-EO-2.0 600M— waarvoor wordt het gebruikt?

Het werkt in het domein van Earth science. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

15

Prithvi-EO-2.0 600M— waar kan ik het downloaden?

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

16

Prithvi-EO-2.0 600M— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2 × 10²² FLOP, op hardware vastgelegd als NVIDIA A100. 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.

17

Prithvi-EO-2.0 600M— 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. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

18

Prithvi-EO-2.0 600M— Zouden twee GPU's het sneller draaien?

Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 818. Dus een tweede card is zelden het antwoord hier.

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