ProteinBERT kalkulator TPS

Otwórz wagi Hebrew University of Jerusalem,Ben-Gurion University of the Negev,Deep Trading 16M parametry February 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

818 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Tesla C1080

4 GB · Q8_0 · 2,304 tok/s

Najszybsza karta

B200

211,765 tok/s · 180 GB

Które GPU mogą uruchomić ProteinBERT?

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
211,765 tok/s 127,059–338,824 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Wygodny
211,765 tok/s 127,059–338,824 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Wygodny
169,099 tok/s 101,460–270,559 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Wygodny
169,099 tok/s 101,460–270,559 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Wygodny
135,238 tok/s 81,143–216,381 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Wygodny
129,441 tok/s 77,665–207,106 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Wygodny
129,441 tok/s 77,665–207,106 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Wygodny
123,882 tok/s 74,329–198,212 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Wygodny
109,946 tok/s 65,967–175,913 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Wygodny
109,946 tok/s 65,967–175,913 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Wygodny
109,946 tok/s 65,967–175,913 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Wygodny
104,294 tok/s 62,576–166,871 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Wygodny
88,941 tok/s 53,365–142,306 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Wygodny
88,941 tok/s 53,365–142,306 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Wygodny
88,941 tok/s 53,365–142,306 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Wygodny
88,941 tok/s 53,365–142,306 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Wygodny
88,941 tok/s 53,365–142,306 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Wygodny
67,722 tok/s 40,633–108,356 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Wygodny
67,722 tok/s 40,633–108,356 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Wygodny
56,435 tok/s 33,861–90,296 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Wygodny
55,231 tok/s 33,139–88,369 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Wygodny
54,000 tok/s 32,400–86,400 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Wygodny
54,000 tok/s 32,400–86,400 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Wygodny
54,000 tok/s 32,400–86,400 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Wygodny
54,000 tok/s 32,400–86,400 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 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: Hebrew University of Jerusalem,Ben-Gurion University of the Negev,Deep Trading
Typ organizacji: Academia,Academia,Industry
Kraj: Israel, United States of America
Opublikowany: 10 February 2022
Autorzy: Nadav Brandes, Dan Ofer, Yam Peleg, Nadav Rappoport, Michal Linial

Co to robi

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

Domena: Biology
Zadanie: Proteins, Protein generation, Protein representation learning
Podejście: Self-supervised learning

Rozmiar

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

parametry: 16M
Dane treningowe: 37,598,200,000 tokens
Epoki: 6.4
Rozmiar wsadu: 26,008

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: 6.5 × 10¹⁹ FLOP
Jak to zostało ustalone: Hardware

Przebieg szkolenia

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

Sprzęt do trenowania: NVIDIA Quadro RTX 5000
Zastosowane chipy: 1
Czas rzeczywisty: 672 hours (28 days)
Pobór mocy: 254 W

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: Open source

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: 775

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: ProteinBERT: a universal deep-learning model of protein sequence and function
Ostatnio zaktualizowane: 1 January 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają ProteinBERT

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 ProteinBERT

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

Co oznaczają liczby

Strona sprzętowa

Minimalna karta

Tesla C1080

Pamięć potrzebna

0.7 GB

Najszybszy

211,765 tok/s

ProteinBERT osiąga liczbę parametrów równą 16M. 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.

Na niskim końcu obsługiwane jest przez Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 2,304 tokeny na sekundę

Na drugim końcu siedzi B200, generowanie w przybliżeniu 211,765 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

ProteinBERT został opublikowany przez Hebrew University of Jerusalem,Ben-Gurion University of the Negev,Deep Trading, w kraju zapisanym jako Israel, podczas February 2022. Organizacja publikująca jest klasyfikowana jako academia,Academia,Industry.

Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein generation, Protein representation learning.

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

Co decyduje o szybkości

Połowa kart, które go trzymają, osiąga więcej niż 5,946.4 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 818 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.

Jej architektura wewnętrzna nie jest w naszej bazie danych, więc pamięć jest szacowana na podstawie liczby parametrów i odpowiednio oznaczona. Spodziewaj się, że rzeczywista wartość będzie się różnić, tym bardziej przy długim context length.

Szkolenie i pochodzenie

Wytworzenie tego wymagało arytmetyki sumującej około 6.5 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 5000. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 37,598,200,000 Tokeny tekstu.

Kryterium włączenia: sOTA improvement.

Krok po kroku

Jak wybrać GPU do ProteinBERT

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

01

Przeczytaj najpierw liczbę pamięci

Każda karta tutaj została sprawdzona pod kątem ProteinBERT, potrzebując około 0.7 GB przy kompresji Q8_0. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
02

Zdecyduj, jak długo trwają twoje rozmowy

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. ProteinBERT.
03

Zdecyduj, ile kompresji zaakceptujesz

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

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla ProteinBERT. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 211,765 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 ProteinBERT. 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 ProteinBERT.

Odpowiedzi

ProteinBERT — częste pytania

ProteinBERT— dlaczego kwantyzacja różni się między kartami?

Każda KARTA jest przedstawiana z uruchomioną najmniej skompresowaną wersją, jaką może pomieścić. Liczba odmiennych poziomów kompresji w KARTACH, które mogą go pomieścić: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

ProteinBERT— Jak dokładne są te szacunki prędkości?

To są szacunki z rzeczywistymi marginesami błędu, a każdy z nich mógłby rozsądnie wypaść gdziekolwiek w swoim opublikowanym zakresie w zależności od używanego uruchomienia. Najszybszy wynik tutaj: 127,059–338,824 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

ProteinBERT— 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 0.7 GB, i produkuje w przybliżeniu 2,304 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

ProteinBERT— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 211,765 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 818.

ProteinBERT— Ile VRAM-u potrzebuje?

Potrzebuje około 0.7 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.

ProteinBERT— 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 0.7 GB i generując w przybliżeniu 39,441 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinBERT— 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 0.7 GB i generując w przybliżeniu 24,152 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinBERT— 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 0.7 GB i generując w przybliżeniu 29,912 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinBERT— 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 0.7 GB i generując w przybliżeniu 35,471 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinBERT— 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.

ProteinBERT— ile ma parametrów?

Ma liczbę parametrów równą 16M. "Altogether, it includes ∼16M trainable parameters, making it substantially smaller than other protein language models". 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.

ProteinBERT— kto to stworzył?

Zostało opublikowane przez Hebrew University of Jerusalem,Ben-Gurion University of the Negev,Deep Trading, oparty na Israel, organizacja sklasyfikowana jako academia,Academia,Industry.

ProteinBERT— kiedy to zostało wydane?

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

ProteinBERT— do czego to służy?

Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein generation, Protein representation learning. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

ProteinBERT— Gdzie mogę to pobrać?

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

ProteinBERT— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 6.5 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 5000. 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.

ProteinBERT— 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.

ProteinBERT— 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: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 1 January 2026

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