SciBERT kalkulator TPS

Otwórz wagi Allen Institute for AI 110M parametry March 2019

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 · 335 tok/s

Najszybsza karta

B200

30,802 tok/s · 180 GB

Które GPU mogą uruchomić SciBERT?

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
30,802 tok/s

18,481–49,283 · niska pewność

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Wygodny
30,802 tok/s

18,481–49,283 · niska pewność

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Wygodny
24,596 tok/s

14,758–39,354 · niska pewność

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Wygodny
24,596 tok/s

14,758–39,354 · niska pewność

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Wygodny
19,671 tok/s

11,803–31,474 · niska pewność

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
18,828 tok/s

11,297–30,124 · niska pewność

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Wygodny
18,828 tok/s

11,297–30,124 · niska pewność

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Wygodny
18,019 tok/s

10,812–28,831 · niska pewność

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Wygodny
15,992 tok/s

9,595–25,587 · niska pewność

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
15,992 tok/s

9,595–25,587 · niska pewność

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
15,992 tok/s

9,595–25,587 · niska pewność

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Wygodny
15,170 tok/s

9,102–24,272 · niska pewność

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
12,937 tok/s

7,762–20,699 · niska pewność

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
12,937 tok/s

7,762–20,699 · niska pewność

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Wygodny
12,937 tok/s

7,762–20,699 · niska pewność

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
12,937 tok/s

7,762–20,699 · niska pewność

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
12,937 tok/s

7,762–20,699 · niska pewność

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Wygodny
9,851 tok/s

5,910–15,761 · niska pewność

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Wygodny
9,851 tok/s

5,910–15,761 · niska pewność

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Wygodny
8,209 tok/s

4,925–13,134 · niska pewność

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
8,034 tok/s

4,820–12,854 · niska pewność

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Wygodny
7,855 tok/s

4,713–12,567 · niska pewność

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Wygodny
7,855 tok/s

4,713–12,567 · niska pewność

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Wygodny
7,855 tok/s

4,713–12,567 · niska pewność

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Wygodny
7,855 tok/s

4,713–12,567 · 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
Allen Institute for AI
Typ organizacji
Research collective
Kraj
United States of America
Opublikowany
26 March 2019
Autorzy
Iz Beltagy, Kyle Lo, Arman Cohan

Co to robi

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

Domena
Language
Zadanie
Relation extraction, Sentiment classification, Text classification, Named entity recognition (NER)

Rozmiar

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

parametry
110M

110M size of bert base from https://huggingface.co/google-bert/bert-base-uncased relevant citation: "We use the original BERT code to train SCIBERT on our corpus with the same con- figuration and size as BERT-Base. We train 4 different versions of SCIBERT: (i) cased or un- cased and (ii) BASEVOCAB or SCIVOCAB. The two models that use BASEVOCAB are finetuned from the corresponding BERT-Base models. The other two models that use the new SCIVOCAB are trained from scratch."

Dane treningowe
3,170,000,000 tokens

"The average paper length is 154 sentences (2,769 tokens) resulting in a corpus size of 3.17B tokens, similar to the 3.3B tokens on which BERT was trained."

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
8.9 × 10¹⁹ FLOP

4*123e12*0.3*(7*24*3600) = 8.926848e+19 (num gpu) * (peak compute) * (assumed utilization rate) * (time in seconds) We have: 4 TPUv3 chips.123teraFLOPS per chip. 7 days of training "We use a single TPU v3 with 8 cores. Training the SCIVOCAB models from scratch on our corpus takes 1 week (5 days with max length 128, then 2 days with max length 512). " If this compute estimate is accurate and BERT is approximately dense, then C=6eND -> e=C/6ND ~= 40 epochs.

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
Zastosowane chipy
4
Czas-chip
672
Czas rzeczywisty
168 hours (7 days)

1 week

Pobór mocy
3.7 kW
Koszt obliczeniowy
$247

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

apache 2.0, code and weights: https://github.com/allenai/scibert/

Jak jest klasyfikowane

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

Dlaczego to jest śledzone
Highly cited,SOTA improvement

"We demonstrate statistically significant improvements over BERT and achieve new state-of-the-art results on several of these tasks"

Zapisz pewność
Confident
Cytaty
3,705

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
SciBERT: A Pretrained Language Model for Scientific Text
Ostatnio zaktualizowane
25 May 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają SciBERT

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 30,802 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 30,802 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 24,596 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 24,596 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 19,671 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 18,828 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 18,828 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 18,019 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 15,992 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 15,992 tok/s

Najmniejsze GPU, które nadal działają SciBERT

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 0.8 GB · Q8_0 · Wygodny 370 tok/s
  2. 02 RTX A400 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 370 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 493 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 739 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 131 tok/s
  6. 06 Radeon RX 6450M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 384 tok/s
  7. 07 Radeon RX 6550M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 432 tok/s
  8. 08 Radeon RX 6550S 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 384 tok/s
  9. 09 Arc A310 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 310 tok/s
  10. 10 Arc Pro A30M 4 GB · potrzeby 0.8 GB · Q8_0 · Wygodny 320 tok/s

Co oznaczają liczby

Co jest potrzebne, aby uruchomić ten model

Minimalna karta

Tesla C1080

Pamięć potrzebna

0.8 GB

Najszybszy

30,802 tok/s

SciBERT osiąga liczbę parametrów równą 110M. 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.

Najmniejsza karta, która to utrzymuje, to Tesla C1080, o pojemności pamięci 4 GB, uruchomienie go przy kompresji Q8_0 i produkując około 335 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 30,802 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Co to jest model?

SciBERT został opublikowany przez Allen Institute for AI, w kraju zapisanym jako United States of America, podczas March 2019. Wychodzi z organizacji zaklasyfikowanej jako research collective.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie relation extraction, Sentiment classification, Text classification, Named entity recognition (NER).

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć.

Co decyduje o szybkości

Mediana wyniku wynosi około 864.9 tokenów na sekundę 818 ich

Każda waga uczestniczy w każdym tokenie tutaj, więc szerokość pasma jest całą historią: poniższa lista to w rzeczywistości ranking przepustowości pamięci.

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

Szkolenie i pochodzenie

Trenowanie zajęło budżet obliczeniowy wynoszący około 8.9 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Został wytrenowany na korpusie około 3,170,000,000 Tokeny tekstu.

Kryterium włączenia: highly cited,SOTA improvement.

Krok po kroku

Jak wybrać GPU do SciBERT

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

  1. 01

    Sprawdź, co potrzebuje przed wszystkim innym.

    Zacznij od tego, co tak naprawdę jest potrzebne, czyli wymogu SciBERT, potrzebując około 0.8 GB przy kompresji Q8_0. Pojemność to brama — karta albo ją trzyma, albo nie.

  2. 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 SciBERT.

  3. 03

    Wybierz, jak daleko chcesz to skompresować.

    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. SciBERT. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 30,802 tok/s

  5. 05

    Przeczytaj kolumnę dopasowania jako ostatnią

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

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

Odpowiedzi

SciBERT — częste pytania

01

SciBERT— 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 5,159 tokenów na sekundę. Dopasowanie jest komfortowe.

02

SciBERT— 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.

03

SciBERT— ile ma parametrów?

Ma liczbę parametrów równą 110M. 110M size of bert base from https://huggingface.co/google-bert/bert-base-uncased relevant citation: "We use the original BERT code to train SCIBERT on our corpus with the same con- figuration and size as BERT-Base. We train 4 different versions of SCIBERT: (i) cased or un- cased and (ii) BASEVOCAB or SCIVOCAB. The two models that use BASEVOCAB are finetuned from the corresponding BERT-Base models. The other two models that use the new SCIVOCAB are trained from scratch.". 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.

04

SciBERT— kto to stworzył?

Zostało opublikowane przez Allen Institute for AI, oparty na United States of America, organizacja sklasyfikowana jako research collective.

05

SciBERT— kiedy to zostało wydane?

Zostało opublikowane w March 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

06

SciBERT— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie relation extraction, Sentiment classification, Text classification, Named entity recognition (NER). Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

07

SciBERT— Gdzie mogę to pobrać?

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

08

SciBERT— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 8.9 × 10¹⁹ 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.

09

SciBERT— 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.

10

SciBERT— 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.

11

SciBERT— dlaczego kwantyzacja różni się między kartami?

Większa KARTA przechowuje dokładniejszą kopię. Liczba poziomów kompresji używanych w KARTACH, które ją uruchamiają: 1. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

12

SciBERT— 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: 18,481–49,283 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

13

SciBERT— 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 335 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

14

SciBERT— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 30,802 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.

15

SciBERT— 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.

16

SciBERT— 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 5,737 tokenów na sekundę. Dopasowanie jest komfortowe.

17

SciBERT— 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 3,513 tokenów na sekundę. Dopasowanie jest komfortowe.

18

SciBERT— 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 4,351 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