ESM2-15B kalkulator TPS

Otwórz wagi Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT) 15B parametry July 2022

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

306 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

P102-101

10 GB · IQ4_XS · 18.9 tok/s

Najszybsza karta

B200

226 tok/s · 180 GB

Które GPU mogą uruchomić ESM2-15B?

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.

306 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
226 tok/s 136–361 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	16.8 GB	Q8_0	Wygodny
226 tok/s 136–361 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	16.8 GB	Q8_0	Wygodny
180 tok/s 108–289 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Wygodny
180 tok/s 108–289 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	16.8 GB	Q8_0	Wygodny
144 tok/s 87–231 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
138 tok/s 83–221 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Wygodny
138 tok/s 83–221 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	16.8 GB	Q8_0	Wygodny
132 tok/s 79–211 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
117 tok/s 70–188 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	16.8 GB	Q8_0	Wygodny
111 tok/s 67–178 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
108 tok/s 65–173 · niska pewność	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.9 GB	IQ4_XS	Wąski
94.9 tok/s 57–152 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
94.9 tok/s 57–152 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	16.8 GB	Q8_0	Wygodny
72.2 tok/s 43–116 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Wygodny
72.2 tok/s 43–116 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	16.8 GB	Q8_0	Wygodny
60.2 tok/s 36–96 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
59.5 tok/s 36–95 · niska pewność	GeForce RTX 3080 12 GB NVIDIA	12 GB	912 GB/s	Jan 2022	9.8 GB	Q4_K_M	Wąski
59.5 tok/s 36–95 · niska pewność	GeForce RTX 3080 Ti NVIDIA	12 GB	912 GB/s	May 2021	9.8 GB	Q4_K_M	Wąski
58.9 tok/s 35–94 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	16.8 GB	Q8_0	Wygodny
57.6 tok/s 35–92 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	16.8 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: Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT)
Typ organizacji: Industry,Academia,Academia,Academia
Kraj: United States of America
Opublikowany: 21 July 2022
Autorzy: Zeming Lin, Halil Akin, Roshan Rao, Brian Hie, Zhongkai Zhu, Wenting Lu, Nikita Smetanin, Robert Verkuil, Ori Kabeli, Yaniv Shmueli, Allan dos Santos Costa, Maryam Fazel-Zarandi, Tom Sercu, Salvatore Candido, Alexander Rives

Co to robi

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

Domena: Biology
Zadanie: Proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction
Podejście: Unsupervised

Rozmiar

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

parametry: 15B
Dane treningowe: 15,360,000,000 tokens
Epoki: 72

Obliczenia treningowe

Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.

Obliczenia treningowe: 7.4 × 10²² FLOP
Jak to zostało ustalone: Hardware,Third-party estimation

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: NVIDIA V100
Zastosowane chipy: 512
Czas rzeczywisty: 1,440 hours (60 days)
Pobór mocy: 308.0 kW
Koszt obliczeniowy: $163,468

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 (unrestricted)
Kod treningowy: Unreleased

Jak jest klasyfikowane

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

Dlaczego to jest śledzone: SOTA improvement
Zapisz pewność: Confident
Cytaty: 636

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Evolutionary-scale prediction of atomic-level protein structure with a language model
Ostatnio zaktualizowane: 28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają ESM2-15B

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 ESM2-15B

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

Co oznaczają liczby

Wymagania sprzętowe w praktyce

Minimalna karta

P102-101

Pamięć potrzebna

8.9 GB

Najszybszy

226 tok/s

ESM2-15B osiąga liczbę parametrów równą 15B. 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: 306.

Punkt wejścia to P102-101, o pojemności pamięci 10 GB, uruchomienie go przy kompresji IQ4_XS i produkując około 18.9 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 226 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

ESM2-15B został opublikowany przez Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), w kraju zapisanym jako United States of America, podczas July 2022. Organizacja publikująca jest klasyfikowana jako industry,Academia,Academia,Academia.

Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction.

Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta.

Co decyduje o szybkości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 21.1 tokenów na sekundę. Produkując tekst szybciej niż większość ludzi go czyta. 266 ich

To jest gęsty model, więc każdy parametr jest odczytywany dla każdego wyprodukowanego tokena. To sprawia, że prędkość śledzi przepustowość pamięci prawie dokładnie — karta z podwójną przepustowością generuje w przybliżeniu dwa razy szybciej.

Bez układu uwagi na rekordzie, kolumna pamięci jest przybliżeniem. Jest wystarczająco bliska, aby wybrać sprzęt, i najmniej wiarygodna przy długim kontekście.

Jak to zostało wytrenowane

Trenowanie zajęło budżet obliczeniowy wynoszący około 7.4 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Trening zużył korpus około 15,360,000,000 Tokeny tekstu.

Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: sOTA improvement.

Krok po kroku

Jak wybrać GPU do ESM2-15B

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

Każda karta tutaj została sprawdzona pod kątem ESM2-15B, potrzebując około 8.9 GB przy kompresji IQ4_XS. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Ustaw długość kontekstu, z którą będziesz pracować

Ustaw kontekst na to, co naprawdę użyjesz. Cache rośnie wraz z rozmową i jest to zwykle powód, dla którego karta, która wydawała się w porządku, przestaje pasować. ESM2-15B.
03

Zdecyduj, ile kompresji zaakceptujesz

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji IQ4_XS 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

Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. ESM2-15B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 226 tok/s
05

Przeczytaj kolumnę dopasowania jako ostatnią

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku ESM2-15B. 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 strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza ESM2-15B.

Odpowiedzi

ESM2-15B — częste pytania

ESM2-15B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 7.4 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.

ESM2-15B— 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. Najbliższy brak, który obliczamy, jest za mały o 2.6 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

ESM2-15B— czy dwa GPU uruchomią to szybciej?

Dwie karty kupują pamięć zamiast szybkości, co ma znaczenie tylko wtedy, gdy jedna karta nie może jej pomieścić. Liczba, która może: 306. Więc druga karta rzadko jest odpowiedzią tutaj.

ESM2-15B— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

ESM2-15B— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 136–361 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

ESM2-15B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to P102-101, o pojemności pamięci 10 GB. Uruchamia model przy kompresji IQ4_XS używając około 8.9 GB, i produkuje w przybliżeniu 18.9 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 306.

ESM2-15B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 226 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 266.

ESM2-15B— Ile VRAM-u potrzebuje?

Potrzebuje około 8.9 GB przy kompresji IQ4_XS, 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.

ESM2-15B— czy mogę uruchomić to na GPU trzymając 12 GB?

Tak. Karta GeForce RTX 3080 Ti, trzymanie 12 GB, uruchamia go przy kompresji Q4_K_M, używając około 9.8 GB i generując w przybliżeniu 59.5 tokenów na sekundę. Dopasowanie jest ciasne.

ESM2-15B— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q6_K, używając około 13.3 GB i generując w przybliżeniu 46.4 tokenów na sekundę. Dopasowanie jest ciasne.

ESM2-15B— 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 16.8 GB i generując w przybliżeniu 37.8 tokenów na sekundę. Dopasowanie jest komfortowe.

ESM2-15B— 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.

ESM2-15B— ile ma parametrów?

Ma liczbę parametrów równą 15B. "we train models up to 15B parameters". 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.

ESM2-15B— kto to stworzył?

Zostało opublikowane przez Meta AI,New York University (NYU),Stanford University,Massachusetts Institute of Technology (MIT), oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia,Academia.

ESM2-15B— kiedy to zostało wydane?

Zostało opublikowane w July 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

ESM2-15B— do czego to służy?

Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein or nucleotide language model (pLM/nLM), Protein folding prediction. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

ESM2-15B— Gdzie mogę to pobrać?

Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.

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