Prithvi WxC TPS-rekenmachine

Open gewichten IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA 2.3B parameters September 2024

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 · 16.0 tok/s

Snelste kaart

B200

1,473 tok/s · 180 GB

Welke GPU's kunnen draaien Prithvi WxC?

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

818 kaarten passen

Berekenen

					Heeft	Kwantificatie	Past
1,473 tok/s 884–2,357 · lage vertrouwen	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.2 GB	Q8_0	Comfortabel
1,473 tok/s 884–2,357 · lage vertrouwen	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.2 GB	Q8_0	Comfortabel
1,176 tok/s 706–1,882 · lage vertrouwen	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Comfortabel
1,176 tok/s 706–1,882 · lage vertrouwen	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.2 GB	Q8_0	Comfortabel
941 tok/s 564–1,505 · lage vertrouwen	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.2 GB	Q8_0	Comfortabel
900 tok/s 540–1,441 · lage vertrouwen	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Comfortabel
900 tok/s 540–1,441 · lage vertrouwen	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.2 GB	Q8_0	Comfortabel
862 tok/s 517–1,379 · lage vertrouwen	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.2 GB	Q8_0	Comfortabel
765 tok/s 459–1,224 · lage vertrouwen	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Comfortabel
765 tok/s 459–1,224 · lage vertrouwen	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Comfortabel
765 tok/s 459–1,224 · lage vertrouwen	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.2 GB	Q8_0	Comfortabel
726 tok/s 435–1,161 · lage vertrouwen	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.2 GB	Q8_0	Comfortabel
619 tok/s 371–990 · lage vertrouwen	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Comfortabel
619 tok/s 371–990 · lage vertrouwen	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.2 GB	Q8_0	Comfortabel
619 tok/s 371–990 · lage vertrouwen	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Comfortabel
619 tok/s 371–990 · lage vertrouwen	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Comfortabel
619 tok/s 371–990 · lage vertrouwen	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.2 GB	Q8_0	Comfortabel
471 tok/s 283–754 · lage vertrouwen	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Comfortabel
471 tok/s 283–754 · lage vertrouwen	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.2 GB	Q8_0	Comfortabel
393 tok/s 236–628 · lage vertrouwen	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.2 GB	Q8_0	Comfortabel
384 tok/s 231–615 · lage vertrouwen	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.2 GB	Q8_0	Comfortabel
376 tok/s 225–601 · lage vertrouwen	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.2 GB	Q8_0	Comfortabel
376 tok/s 225–601 · lage vertrouwen	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.2 GB	Q8_0	Comfortabel
376 tok/s 225–601 · lage vertrouwen	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.2 GB	Q8_0	Comfortabel
376 tok/s 225–601 · lage vertrouwen	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.2 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,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA
Organisatietype: Industry,Academia,Academia,Academia,Government,Government
Land: United States of America
Gepubliceerd: 20 September 2024
Auteurs: Johannes Schmude, Sujit Roy, Will Trojak, Johannes Jakubik, Daniel Salles Civitarese, Shraddha Singh, Julian Kuehnert, Kumar Ankur, Aman Gupta, Christopher E Phillips, Romeo Kienzler, Daniela Szwarcman, Vishal Gaur, Rajat Shinde, Rohit Lal, Arlindo Da Silva, Jorge Luis Guevara Diaz, Anne Jones, Simon Pfreundschuh, Amy Lin, Aditi Sheshadri, Udaysankar Nair, Valentine Anantharaj, Hendrik Hamann, Cam…

Wat het doet

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

Domein: Earth science
Taak: Weather forecasting

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: 2.3B
Training gegevens: 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: 7.2 × 10¹⁹ FLOP
Hoe het werd opgericht: Operation counting

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: 64
Stroomverbruik: 50.4 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)
Training code: Unreleased
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
Citaties: 38

Bronnen

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

Referentie: Prithvi WxC: Foundation Model for Weather and Climate
Laatst bijgewerkt: 25 May 2026

De extremen

De tien snelste GPU's die draaien Prithvi WxC

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 Prithvi WxC

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

Hardwarevereisten in de praktijk

Minimum kaart

Tesla C1080

Geheugen nodig

3.2 GB

Snelste

1,473 tok/s

Prithvi WxC bereikt een parameter telling van 2.3B. 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.

Het toegangspunt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 16.0 tokens per seconde

Aan de andere kant zit B200, genereren ongeveer 1,473 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Wat dit model is

Prithvi WxC werd gepubliceerd door IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, in het land geregistreerd als United States of America, tijdens September 2024. De publicerende organisatie is geclassificeerd als industry,Academia,Academia,Academia,Government,Government.

Het werkt in het domein van Earth science, en wordt geregistreerd als het uitvoeren van de taak van weather forecasting.

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.

Wat bepaalt de snelheid

De helft van de kaarten die het vasthouden, beheren meer dan 41.4 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 785 van hen

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

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Hoe het getraind werd

De training run verbruikte ongeveer 7.2 × 10¹⁹ 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 WxC

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

Lees eerst de geheugenfiguur

Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van Prithvi WxC, ongeveer nodig 3.2 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.
02

Stel de contextlengte in waarmee je gaat werken

Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor Prithvi WxC.
03

Bepaal hoeveel compressie je accepteert

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.
04

Rangschik op doorvoer in plaats van specificatielijst

Sorteren op snelheid om te zien hoe de kaarten gerangschikt zijn voor Prithvi WxC. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 1,473 tok/s
05

Controleer het geschiktheidsadvies voordat je koopt

Strak betekent dat het laadt en werkt zonder ruimte om de context later te verhogen, in het geval van Prithvi WxC. 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 Prithvi WxC.

Antwoorden

Prithvi WxC — veelgestelde vragen

Prithvi WxC— wie heeft het gemaakt?

Het werd gepubliceerd door IBM Research,University of Alabama,Stanford University,Colorado State University,Oak Ridge National Laboratory,NASA, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Academia,Academia,Government,Government.

Prithvi WxC— wanneer is het uitgebracht?

Het werd gepubliceerd in September 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

Prithvi WxC— waarvoor wordt het gebruikt?

Het werkt in het domein van Earth science, en wordt geregistreerd als het afhandelen van weather forecasting. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.

Prithvi WxC— 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.

Prithvi WxC— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 7.2 × 10¹⁹ 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.

Prithvi WxC— 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.

Prithvi WxC— 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.

Prithvi WxC— 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.

Prithvi WxC— 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: 884–2,357 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

Prithvi WxC— 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 3.2 GB, en produceert ongeveer 16.0 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

Prithvi WxC— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 1,473 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: 785.

Prithvi WxC— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 3.2 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.

Prithvi WxC— 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 3.2 GB en genereren ongeveer 274 tokens per second. De fit is comfortabel.

Prithvi WxC— 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 3.2 GB en genereren ongeveer 168 tokens per second. De fit is comfortabel.

Prithvi WxC— 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 3.2 GB en genereren ongeveer 208 tokens per second. De fit is comfortabel.

Prithvi WxC— 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 3.2 GB en genereren ongeveer 247 tokens per second. De fit is comfortabel.

Prithvi WxC— 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.

Prithvi WxC— hoeveel parameters heeft het?

Het heeft een parameter telling van 2.3B. a 2.3 billion parameter foundation model developed using 160 variables from the Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). 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.

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