AlphaFold 2 kalkulator TPS

Otwórz wagi DeepMind 93M parametry November 2020

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 · 396 tok/s

Najszybsza karta

B200

36,433 tok/s · 180 GB

Które GPU mogą uruchomić AlphaFold 2?

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
36,433 tok/s 21,860–58,292 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Wygodny
36,433 tok/s 21,860–58,292 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Wygodny
29,092 tok/s 17,455–46,548 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Wygodny
29,092 tok/s 17,455–46,548 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Wygodny
23,267 tok/s 13,960–37,227 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
22,269 tok/s 13,362–35,631 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Wygodny
22,269 tok/s 13,362–35,631 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Wygodny
21,313 tok/s 12,788–34,101 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Wygodny
18,915 tok/s 11,349–30,265 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
18,915 tok/s 11,349–30,265 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
18,915 tok/s 11,349–30,265 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Wygodny
17,943 tok/s 10,766–28,709 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
15,302 tok/s 9,181–24,483 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
15,302 tok/s 9,181–24,483 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Wygodny
15,302 tok/s 9,181–24,483 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
15,302 tok/s 9,181–24,483 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
15,302 tok/s 9,181–24,483 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Wygodny
11,651 tok/s 6,991–18,642 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Wygodny
11,651 tok/s 6,991–18,642 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Wygodny
9,709 tok/s 5,826–15,535 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
9,502 tok/s 5,701–15,203 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Wygodny
9,290 tok/s 5,574–14,865 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Wygodny
9,290 tok/s 5,574–14,865 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Wygodny
9,290 tok/s 5,574–14,865 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Wygodny
9,290 tok/s 5,574–14,865 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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: DeepMind
Typ organizacji: Industry
Kraj: United Kingdom of Great Britain and Northern Ireland
Opublikowany: 30 November 2020
Autorzy: John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Kathryn Tunyasuvunakool, Olaf Ronneberger, Russ Bates, Augustin Žídek, Alex Bridgland, Clemens Meyer, Simon A A Kohl, Anna Potapenko, Andrew J Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Martin Steinegger, Michalina Pacholska, Davi…

Co to robi

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

Domena: Biology
Zadanie: Protein folding prediction, Proteins
Format numeryczny: BF16

Rozmiar

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

parametry: 93M
Dane treningowe: 5,724,000,000 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: 3 × 10²¹ 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: Google TPU v3
Czas rzeczywisty: 264 hours (11 days)
Koszt obliczeniowy: $3,842

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: Historical significance,Highly cited,SOTA improvement
Zapisz pewność: Likely
Cytaty: 31,909

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Highly accurate protein structure prediction with AlphaFold
Ostatnio zaktualizowane: 1 January 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają AlphaFold 2

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 AlphaFold 2

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

Tesla C1080

Pamięć potrzebna

0.8 GB

Najszybszy

36,433 tok/s

AlphaFold 2 osiąga liczbę parametrów równą 93M. 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.

Punkt wejścia to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 396 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 36,433 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Skąd to pochodzi

AlphaFold 2 został opublikowany przez DeepMind, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas November 2020. Organizacja publikująca jest klasyfikowana jako industry.

Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein folding prediction, Proteins.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.

Zrozumienie prędkości

Mediana wyniku wynosi około 1,023.0 tokenów na sekundę 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.

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.

Szkolenie i pochodzenie

Trenowanie zajęło budżet obliczeniowy wynoszący około 3 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Zbiór treningowy trwał około 5,724,000,000 Tokeny tekstu.

Kryterium włączenia: historical significance,Highly cited,SOTA improvement.

Krok po kroku

Jak wybrać GPU do AlphaFold 2

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

Tabela zawiera każdą kartę, która jest w stanie pomieścić AlphaFold 2, potrzebując około 0.8 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.
02

Dopasuj kontekst do swojego rzeczywistego użycia

Rozmowa zajmuje pamięć również, i rośnie w miarę trwania. Ustaw suwak na długość, której się spodziewasz, ponieważ przy długim kontekście karta, która łatwo obsługuje krótkie pytania, może zostać odrzucona przez AlphaFold 2.
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

Sortuj według prędkości, aby zobaczyć, jak karty się klasyfikują. AlphaFold 2. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 36,433 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku AlphaFold 2. 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

Zobacz, co jeszcze ta karta uruchamia

Każda strona karty powtarza tę procedurę dla każdego modelu, który posiadamy, odpowiadając, do czego jeszcze sprzęt jest przydatny poza AlphaFold 2.

Odpowiedzi

AlphaFold 2 — częste pytania

AlphaFold 2— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Częściowo. Warstwy, które nie mieszczą się w GPU VRAM, znajdują się w pamięci systemu i działają z ułamkową prędkością, więc model, który jest w dużej mierze przeniesiony, rzadko jest wart używania. Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

AlphaFold 2— 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.

AlphaFold 2— 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.

AlphaFold 2— 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: 21,860–58,292 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

AlphaFold 2— 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 0.8 GB, i produkuje w przybliżeniu 396 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

AlphaFold 2— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 36,433 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.

AlphaFold 2— Ile VRAM-u potrzebuje?

Potrzebuje około 0.8 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.

AlphaFold 2— 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 0.8 GB i generując w przybliżeniu 6,786 tokenów na sekundę. Dopasowanie jest komfortowe.

AlphaFold 2— 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 0.8 GB i generując w przybliżeniu 4,155 tokenów na sekundę. Dopasowanie jest komfortowe.

AlphaFold 2— 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 0.8 GB i generując w przybliżeniu 5,146 tokenów na sekundę. Dopasowanie jest komfortowe.

AlphaFold 2— 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 0.8 GB i generując w przybliżeniu 6,102 tokenów na sekundę. Dopasowanie jest komfortowe.

AlphaFold 2— 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.

AlphaFold 2— ile ma parametrów?

Ma liczbę parametrów równą 93M. https://arxiv.org/abs/2207.05477 reimplements AlphaFold 2 in a more efficient way, and states there are 93M parameters in the original version (Table 1). 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.

AlphaFold 2— kto to stworzył?

Zostało opublikowane przez DeepMind, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako industry.

AlphaFold 2— kiedy to zostało wydane?

Zostało opublikowane w November 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

AlphaFold 2— do czego to służy?

Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein folding prediction, Proteins. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.

AlphaFold 2— Gdzie mogę to pobrać?

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

AlphaFold 2— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 3 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. 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.

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