OntoProtein kalkulator TPS

Otwórz wagi Zhejiang University (ZJU) 420M parametry January 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 · 87.8 tok/s

Najszybsza karta

B200

8,067 tok/s · 180 GB

Które GPU mogą uruchomić OntoProtein?

Ustaw wejścia, odczytaj odpowiedź.

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

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

818 karty pasują

Obliczanie
potrzeby Kwantyzacja Pasuje
8,067 tok/s

4,840–12,908 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.1 GB Q8_0 Wygodny
8,067 tok/s

4,840–12,908 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.1 GB Q8_0 Wygodny
6,442 tok/s

3,865–10,307 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Wygodny
6,442 tok/s

3,865–10,307 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.1 GB Q8_0 Wygodny
5,152 tok/s

3,091–8,243 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
4,931 tok/s

2,959–7,890 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Wygodny
4,931 tok/s

2,959–7,890 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.1 GB Q8_0 Wygodny
4,719 tok/s

2,832–7,551 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.1 GB Q8_0 Wygodny
4,188 tok/s

2,513–6,701 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
4,188 tok/s

2,513–6,701 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
4,188 tok/s

2,513–6,701 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.1 GB Q8_0 Wygodny
3,973 tok/s

2,384–6,357 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,388 tok/s

2,033–5,421 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,388 tok/s

2,033–5,421 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.1 GB Q8_0 Wygodny
3,388 tok/s

2,033–5,421 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,388 tok/s

2,033–5,421 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
3,388 tok/s

2,033–5,421 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.1 GB Q8_0 Wygodny
2,580 tok/s

1,548–4,128 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Wygodny
2,580 tok/s

1,548–4,128 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.1 GB Q8_0 Wygodny
2,150 tok/s

1,290–3,440 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
2,104 tok/s

1,262–3,366 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.1 GB Q8_0 Wygodny
2,057 tok/s

1,234–3,291 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.1 GB Q8_0 Wygodny
2,057 tok/s

1,234–3,291 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.1 GB Q8_0 Wygodny
2,057 tok/s

1,234–3,291 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.1 GB Q8_0 Wygodny
2,057 tok/s

1,234–3,291 · niska pewność

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.1 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
Zhejiang University (ZJU)
Typ organizacji
Academia
Kraj
China
Opublikowany
23 January 2022
Autorzy
Ningyu Zhang, Zhen Bi, Xiaozhuan Liang, Siyuan Cheng, Shumin Deng, Qiang Zhang, Jiazhang Lian, Huajun Chen, Haosen Hong

Co to robi

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

Domena
Biology, Language
Zadanie
Proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning
Model bazowy
ProtBERT-BFD
Format numeryczny
FP16

Rozmiar

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

parametry
420M

"For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020)."

Dane treningowe
2,868,520,960 tokens

Data Summary: - Protein tokens: 488,000 × 300 = 1.464 × 10^8 - GO term tokens: 612,483 × 20 = 1.224966 × 10^7 - Knowledge graph triples: 4,990,097 Total: (1.464 × 10^8 + 1.224966 × 10^7 + 4.99 × 10^6) ≈ 1.626 × 10^8 data points

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

MIT license https://github.com/zjunlp/OntoProtein unclear license https://huggingface.co/zjunlp/OntoProtein

Hugging Face
zjunlp

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

Not absolute SOTA, outperforms protein-language models but not MSA transformer. Experimental results show that OntoProtein can surpass state-of-the-art methods with pre-trained protein language models in TAPE benchmark and yield better performance compared with baselines in protein-protein interaction and protein function prediction1.

Zapisz pewność
Likely

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
ONTOPROTEIN: PROTEIN PRETRAINING WITH GENE ONTOLOGY EMBEDDING
Ostatnio zaktualizowane
28 November 2025

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają OntoProtein

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..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 8,067 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 6,442 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 5,152 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 4,931 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 4,719 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 4,188 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 4,188 tok/s

Najmniejsze GPU, które nadal działają OntoProtein

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

  1. 01 GeForce RTX 4010 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 96.8 tok/s
  2. 02 RTX A400 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 96.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 129 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 194 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 34.4 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 101 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 113 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 101 tok/s
  9. 09 Arc A310 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 81.3 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 1.1 GB · Q8_0 · Wygodny 83.9 tok/s

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Tesla C1080

Pamięć potrzebna

1.1 GB

Najszybszy

8,067 tok/s

OntoProtein osiąga liczbę parametrów równą 420M. 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 87.8 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 8,067 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

OntoProtein został opublikowany przez Zhejiang University (ZJU), w kraju zapisanym jako China, podczas January 2022. Wychodzi z organizacji zaklasyfikowanej jako academia.

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

Opiera się na ProtBERT-BFD. To jest zwykły sposób produkcji wyspecjalizowanego modelu.

Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta. Na Hugging Face jest opublikowane pod organizacją zjunlp.

Co decyduje o szybkości

Mediana wyniku wynosi około 226.5 tokenów na sekundę 817 ich

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

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

Trening zużył korpus około 2,868,520,960 Tokeny tekstu.

Kryterium włączenia: sOTA improvement.

Krok po kroku

Jak wybrać GPU do OntoProtein

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

  1. 01

    Przeczytaj najpierw liczbę pamięci

    Każda karta tutaj została sprawdzona pod kątem OntoProtein, potrzebując około 1.1 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.

  2. 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. OntoProtein.

  3. 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.

  4. 04

    Porównaj TOKENS na sekundę, a nie SPECYFIKACJE.

    Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. OntoProtein. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 8,067 tok/s

  5. 05

    Sprawdź werdykt dopasowania przed zakupem

    Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku OntoProtein. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.

  6. 06

    Sprawdź kartę z drugiej strony

    Śledzenie karty do jej własnej strony pokazuje każdy inny model, który może pomieścić, co jest pytaniem, które pojawia się po podjęciu decyzji o OntoProtein.

Odpowiedzi

OntoProtein — częste pytania

01

OntoProtein— Ile VRAM-u potrzebuje?

Potrzebuje około 1.1 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.

02

OntoProtein— 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 1.1 GB i generując w przybliżeniu 1,503 tokenów na sekundę. Dopasowanie jest komfortowe.

03

OntoProtein— 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 1.1 GB i generując w przybliżeniu 920 tokenów na sekundę. Dopasowanie jest komfortowe.

04

OntoProtein— 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 1.1 GB i generując w przybliżeniu 1,140 tokenów na sekundę. Dopasowanie jest komfortowe.

05

OntoProtein— 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 1.1 GB i generując w przybliżeniu 1,351 tokenów na sekundę. Dopasowanie jest komfortowe.

06

OntoProtein— 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.

07

OntoProtein— ile ma parametrów?

Ma liczbę parametrów równą 420M. "For the protein encoder, we use the pre-trained ProtBert from Elnaggar et al. (2020).". 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.

08

OntoProtein— kto to stworzył?

Zostało opublikowane przez Zhejiang University (ZJU), oparty na China, organizacja sklasyfikowana jako academia.

09

OntoProtein— kiedy to zostało wydane?

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

10

OntoProtein— do czego to służy?

Działa w dziedzinie Biology, Language, i jest zarejestrowany jako realizujący zadanie proteins, Protein or nucleotide language model (pLM/nLM), Protein interaction prediction, Protein function prediction, Protein representation learning. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

11

OntoProtein— Gdzie mogę to pobrać?

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

12

OntoProtein— 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.

13

OntoProtein— 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.

14

OntoProtein— dlaczego kwantyzacja różni się między kartami?

Ponieważ pojemność się różni, to również to, jak mocno musi być ściśnięta. Liczba wyróżniających się poziomów w tabeli powyżej: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

15

OntoProtein— Jak dokładne są te szacunki prędkości?

Są obliczane na podstawie specyfikacji, a nie mierzone, i każdy ma zakres. Jeden przykład: 4,840–12,908 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

16

OntoProtein— 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 1.1 GB, i produkuje w przybliżeniu 87.8 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

17

OntoProtein— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 8,067 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 817.

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