Derm Foundational Model kalkulator TPS

Otwórz wagi Google Research 928M parametry March 2024

Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość jest oszacowaniem dla pojedynczego żądania, obliczonym na podstawie przepustowości pamięci karty i rozmiaru modelu po skompresowaniu..

Obliczone dla tego modelu

818 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla C1080

4 GB · Q8_0 · 39.7 tok/s

Najszybsza karta

B200

3,651 tok/s · 180 GB

Które GPU mogą uruchomić Derm Foundational Model?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Minimalna jakość

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

Szukaj kart

Pamięć karty

Pokaż również karty, które nie mogą tego uruchomić.

818 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
3,651 tok/s 2,191–5,842 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.7 GB	Q8_0	Wygodny
3,651 tok/s 2,191–5,842 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.7 GB	Q8_0	Wygodny
2,916 tok/s 1,749–4,665 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.7 GB	Q8_0	Wygodny
2,916 tok/s 1,749–4,665 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.7 GB	Q8_0	Wygodny
2,332 tok/s 1,399–3,731 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.7 GB	Q8_0	Wygodny
2,232 tok/s 1,339–3,571 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.7 GB	Q8_0	Wygodny
2,232 tok/s 1,339–3,571 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.7 GB	Q8_0	Wygodny
2,136 tok/s 1,282–3,417 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.7 GB	Q8_0	Wygodny
1,896 tok/s 1,137–3,033 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Wygodny
1,896 tok/s 1,137–3,033 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Wygodny
1,896 tok/s 1,137–3,033 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.7 GB	Q8_0	Wygodny
1,798 tok/s 1,079–2,877 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny
1,533 tok/s 920–2,454 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny
1,533 tok/s 920–2,454 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.7 GB	Q8_0	Wygodny
1,533 tok/s 920–2,454 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny
1,533 tok/s 920–2,454 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny
1,533 tok/s 920–2,454 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny
1,168 tok/s 701–1,868 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.7 GB	Q8_0	Wygodny
1,168 tok/s 701–1,868 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.7 GB	Q8_0	Wygodny
973 tok/s 584–1,557 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.7 GB	Q8_0	Wygodny
952 tok/s 571–1,524 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.7 GB	Q8_0	Wygodny
931 tok/s 559–1,490 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.7 GB	Q8_0	Wygodny
931 tok/s 559–1,490 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.7 GB	Q8_0	Wygodny
931 tok/s 559–1,490 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.7 GB	Q8_0	Wygodny
931 tok/s 559–1,490 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.7 GB	Q8_0	Wygodny

Prędkości są szacunkami dla pojedynczego zapytania — jednej konwersacji na raz — obliczonymi na podstawie przepustowości pamięci, rozmiaru MODELu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu uruchamiania inference i jego wersji. Wartości publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..

Na nagranie

Pełna specyfikacja

Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..

Pochodzenie

Kto zbudował ten model, gdzie i kiedy został opublikowany.

Organizacja: Google Research
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 8 March 2024
Autorzy: Dave Steiner, Rory Pilgrim

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Vision, Medicine
Zadanie: Image embedding, Medical diagnosis, Cancer diagnosis, Image classification
Model bazowy: Big Transfer (BiT-M)

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 928M
Dane treningowe: tokens

Dostępność

Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.

Wagi: Open — downloadable
Dostęp do modelu: Open weights (restricted use)
Kod treningowy: Open source
Hugging Face: google

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Zapisz pewność: Likely

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Health-specific embedding tools for dermatology and pathology
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Derm Foundational Model

Uszeregowany według szacowanej liczby tokenów na sekundę, najnowsza karta na pierwszym miejscu, gdy prędkości są równe. Ponieważ generacja jest ograniczona przez pamięć, to uporządkowanie podąża za przepustowością, a nie za jakimkolwiek benchmarkiem gier..

Najmniejsze GPU, które nadal działają Derm Foundational Model

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.7 GB

Najszybszy

3,651 tok/s

Derm Foundational Model osiąga liczbę parametrów równą 928M. To jest na tyle małe, że sprzęt rzadko stanowi przeszkodę, w tym na kartach sprzed kilku lat. Liczba kart, które śledzimy, które mogą go uruchomić: 818.

Najmniejszy sprzęt, który działa, to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 39.7 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 3,651 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

Derm Foundational Model został opublikowany przez Google Research, w kraju zapisanym jako United States of America, podczas March 2024. Wychodzi z organizacji zaklasyfikowanej jako industry.

Działa w dziedzinie Vision, Medicine, i jest zapisany jako wykonujący zadanie image embedding, Medical diagnosis, Cancer diagnosis, Image classification.

Opiera się na Big Transfer (BiT-M). Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.

Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi. Na Hugging Face jest opublikowane pod organizacją google.

Zrozumienie prędkości

Połowa kart, które go trzymają, osiąga więcej niż 102.5 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 806 ich

Będąc gęstym, odczytuje każdą swoją część po tokenie, dlatego poniższe uporządkowanie według szybkości tak ściśle pokrywa się z uporządkowaniem według przepustowości pamięci.

Pamięć tutaj jest szacowana na podstawie rozmiaru, a nie obliczana z architektury, która nie jest zarejestrowana dla tego modelu — liczby są wskazujące, a nie dokładne.

Krok po kroku

Jak wybrać GPU do Derm Foundational Model

Tabela powyżej oceniła już każdą kartę, dla której posiadamy specyfikacje, w stosunku do tego modelu. Dotarcie do odpowiedzi wymaga sześciu kroków..

01

Zacznij od kolumny pamięci

Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu Derm Foundational Model, potrzebując około 1.7 GB przy kompresji Q8_0. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Zdecyduj, jak długo trwają twoje rozmowy

Dłuższe rozmowy kosztują pamięć oprócz tego, co potrzebują wagi. Przesuń suwak do swojej rzeczywistej długości roboczej przed zaufaniem jakiejkolwiek linii dla Derm Foundational Model.
03

Ustal minimalną jakość

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q8_0 na najmniejszej karcie, która się mieści. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.
04

Oceń według przepustowości, a nie kart specyfikacji

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla Derm Foundational Model. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 3,651 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku Derm Foundational Model. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.
06

Otwórz kartę, na którą się zdecydowałeś

Każda nazwa karty łączy się z jej własną stroną, która wykonuje tę samą kalkulację w całym katalogu modelu. Kartę zazwyczaj kupuje się dla więcej niż jednego modelu, więc warto rzucić okiem przed zakupem na Derm Foundational Model.

Odpowiedzi

Derm Foundational Model — częste pytania

Derm Foundational Model— czy dwa GPU uruchomią to szybciej?

Pojemność sumuje się w kartach; przepustowość nie. Liczba kart, które już same ją posiadają: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

Derm Foundational Model— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Derm Foundational Model— Jak dokładne są te szacunki prędkości?

Każda wartość pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów porównawczych, dlatego każda jest publikowana jako zakres, a nie pojedyncza liczba. Jeden przykład: 2,191–5,842 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Derm Foundational Model— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Tesla C1080, o pojemności pamięci 4 GB. Uruchamia model przy kompresji Q8_0 używając około 1.7 GB, i produkuje w przybliżeniu 39.7 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

Derm Foundational Model— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 3,651 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 806.

Derm Foundational Model— Ile VRAM-u potrzebuje?

Potrzebuje około 1.7 GB przy kompresji Q8_0, który jest najmniejszą kartą, która to uruchamia. Mniej kompresji potrzebuje więcej: liczby w kolumnie pamięci powyżej są przeliczane dla każdej karty, ponieważ każda z nich trzyma wersję o najmniejszej kompresji, jaką może.

Derm Foundational Model— czy mogę uruchomić to na GPU trzymając 8 GB?

Tak. Karta CMP 170HX 8 GB, trzymanie 8 GB, uruchamia go przy kompresji Q8_0, używając około 1.7 GB i generując w przybliżeniu 680 tokenów na sekundę. Dopasowanie jest komfortowe.

Derm Foundational Model— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q8_0, używając około 1.7 GB i generując w przybliżeniu 416 tokenów na sekundę. Dopasowanie jest komfortowe.

Derm Foundational Model— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q8_0, używając około 1.7 GB i generując w przybliżeniu 516 tokenów na sekundę. Dopasowanie jest komfortowe.

Derm Foundational Model— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q8_0, używając około 1.7 GB i generując w przybliżeniu 612 tokenów na sekundę. Dopasowanie jest komfortowe.

Derm Foundational Model— czy jest open weight?

Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.

Derm Foundational Model— ile ma parametrów?

Ma liczbę parametrów równą 928M. "The model is a BiT-M ResNet101x3" BiT-M has 928M parameters, I assume same here. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.

Derm Foundational Model— kto to stworzył?

Zostało opublikowane przez Google Research, oparty na United States of America, organizacja sklasyfikowana jako industry.

Derm Foundational Model— kiedy to zostało wydane?

Zostało opublikowane w March 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

Derm Foundational Model— do czego to służy?

Działa w dziedzinie Vision, Medicine, i jest zarejestrowany jako realizujący zadanie image embedding, Medical diagnosis, Cancer diagnosis, Image classification. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

Derm Foundational Model— Gdzie mogę to pobrać?

Jego wagi są publikowane na Hugging Face, pod organizacją google. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.

Derm Foundational Model— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Można go podzielić między kartą a pamięcią systemową, ale w ten sposób generuje się boleśnie powoli. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 28 November 2025

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.

Wszystkie modele AI