ProteinLM kalkulator TPS

Otwórz wagi Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI,Tencent 3B parametry August 2021

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 · Q6_K · 17.9 tok/s

Najszybsza karta

B200

1,129 tok/s · 180 GB

Które GPU mogą uruchomić ProteinLM?

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
1,129 tok/s 678–1,807 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	3.9 GB	Q8_0	Wygodny
1,129 tok/s 678–1,807 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	3.9 GB	Q8_0	Wygodny
902 tok/s 541–1,443 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	3.9 GB	Q8_0	Wygodny
902 tok/s 541–1,443 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	3.9 GB	Q8_0	Wygodny
721 tok/s 433–1,154 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	3.9 GB	Q8_0	Wygodny
690 tok/s 414–1,105 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.9 GB	Q8_0	Wygodny
690 tok/s 414–1,105 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	3.9 GB	Q8_0	Wygodny
661 tok/s 396–1,057 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	3.9 GB	Q8_0	Wygodny
586 tok/s 352–938 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Wygodny
586 tok/s 352–938 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Wygodny
586 tok/s 352–938 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	3.9 GB	Q8_0	Wygodny
556 tok/s 334–890 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	3.9 GB	Q8_0	Wygodny
474 tok/s 285–759 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Wygodny
474 tok/s 285–759 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	3.9 GB	Q8_0	Wygodny
474 tok/s 285–759 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Wygodny
474 tok/s 285–759 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Wygodny
474 tok/s 285–759 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	3.9 GB	Q8_0	Wygodny
361 tok/s 217–578 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	3.9 GB	Q8_0	Wygodny
361 tok/s 217–578 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	3.9 GB	Q8_0	Wygodny
301 tok/s 181–482 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	3.9 GB	Q8_0	Wygodny
295 tok/s 177–471 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	3.9 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	3.9 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	3.9 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	3.9 GB	Q8_0	Wygodny
288 tok/s 173–461 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	3.9 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: Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI,Tencent
Typ organizacji: Academia,Academia,Industry
Kraj: China
Opublikowany: 17 August 2021
Autorzy: Yijia Xiao, Jiezhong Qiu, Ziang Li, Chang-Yu Hsieh, Jie Tang

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)
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: 3B
Dane treningowe: tokens

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: 1.6 × 10²² 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 V100
Zastosowane chipy: 48
Czas-chip: 12,096
Czas rzeczywisty: 252 hours (10.5 days)
Pobór mocy: 29.1 kW

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.

Zapisz pewność: Confident
Cytaty: 40

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Modeling Protein Using Large-scale Pretrain Language Model
Ostatnio zaktualizowane: 25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają ProteinLM

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 ProteinLM

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

3.2 GB

Najszybszy

1,129 tok/s

ProteinLM osiąga liczbę parametrów równą 3B. 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 Q6_K i produkując około 17.9 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 1,129 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

ProteinLM został opublikowany przez Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI,Tencent, w kraju zapisanym jako China, podczas August 2021. Kategoria, do której należy wydawca, to academia,Academia,Industry.

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

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.

Czytanie wskaźników przepustowości

Połowa kart, które go trzymają, osiąga więcej niż 35.8 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 780 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

Trening zajmował około 1.6 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Krok po kroku

Jak wybrać GPU do ProteinLM

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 ProteinLM, potrzebując około 3.2 GB przy kompresji Q6_K. Pojemność to brama — karta albo ją trzyma, albo nie.
02

Dopasuj kontekst do swojego rzeczywistego użycia

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

Wybierz, jak daleko chcesz to skompresować.

Każda KARTA uruchamia najmniej skompresowaną kopię, jaką może pomieścić., osiągnięcie kompresji Q6_K 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.

Ranking według tokenów na sekundę podąża za przepustowością pamięci, a nie liczbą rdzeni, dla ProteinLM. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 1,129 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight oznacza, że ładowanie i działanie odbywa się bez miejsca na późniejsze zwiększenie długości kontekstu, w przypadku ProteinLM. 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 ProteinLM.

Odpowiedzi

ProteinLM — częste pytania

ProteinLM— 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 3.9 GB i generując w przybliżeniu 160 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinLM— 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 3.9 GB i generując w przybliżeniu 189 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinLM— 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.

ProteinLM— ile ma parametrów?

Ma liczbę parametrów równą 3B. "We have trained multiple largescale models on the PFAM[7] dataset, the largest with 3 billion 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.

ProteinLM— kto to stworzył?

Zostało opublikowane przez Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI,Tencent, oparty na China, organizacja sklasyfikowana jako academia,Academia,Industry.

ProteinLM— kiedy to zostało wydane?

Zostało opublikowane w August 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

ProteinLM— do czego to służy?

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

ProteinLM— Gdzie mogę to pobrać?

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

ProteinLM— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.6 × 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.

ProteinLM— 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.

ProteinLM— czy dwa GPU uruchomią to szybciej?

Druga KARTA mniej więcej podwaja dostępna PAMIĘĆ, ale nie tempo generacji. Liczba już zdolna do uruchomienia jej samodzielnie: 818. Więc druga karta rzadko jest odpowiedzią tutaj.

ProteinLM— 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: 2. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

ProteinLM— 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: 678–1,807 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

ProteinLM— 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 Q6_K używając około 3.2 GB, i produkuje w przybliżeniu 17.9 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

ProteinLM— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 1,129 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 780.

ProteinLM— Ile VRAM-u potrzebuje?

Potrzebuje około 3.2 GB przy kompresji Q6_K, 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.

ProteinLM— 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 3.9 GB i generując w przybliżeniu 210 tokenów na sekundę. Dopasowanie jest komfortowe.

ProteinLM— 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 3.9 GB i generując w przybliżeniu 129 tokenów na sekundę. Dopasowanie jest komfortowe.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 25 May 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