MolmoAct 2 kalkulator TPS

Otwórz wagi Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI 5.5B parametry April 2026

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 · Q3_K_M · 18.1 tok/s

Najszybsza karta

B200

618 tok/s · 180 GB

Które GPU mogą uruchomić MolmoAct 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
618 tok/s 371–988 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	6.6 GB	Q8_0	Wygodny
618 tok/s 371–988 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	6.6 GB	Q8_0	Wygodny
493 tok/s 296–789 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Wygodny
493 tok/s 296–789 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	6.6 GB	Q8_0	Wygodny
394 tok/s 237–631 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	6.6 GB	Q8_0	Wygodny
378 tok/s 227–604 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Wygodny
378 tok/s 227–604 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	6.6 GB	Q8_0	Wygodny
361 tok/s 217–578 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	6.6 GB	Q8_0	Wygodny
321 tok/s 192–513 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Wygodny
321 tok/s 192–513 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Wygodny
321 tok/s 192–513 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	6.6 GB	Q8_0	Wygodny
304 tok/s 183–487 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	6.6 GB	Q8_0	Wygodny
259 tok/s 156–415 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Wygodny
259 tok/s 156–415 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	6.6 GB	Q8_0	Wygodny
259 tok/s 156–415 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Wygodny
259 tok/s 156–415 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Wygodny
259 tok/s 156–415 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	6.6 GB	Q8_0	Wygodny
198 tok/s 119–316 · niska pewność	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Wygodny
198 tok/s 119–316 · niska pewność	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	6.6 GB	Q8_0	Wygodny
165 tok/s 99–263 · niska pewność	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	6.6 GB	Q8_0	Wygodny
161 tok/s 97–258 · niska pewność	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	6.6 GB	Q8_0	Wygodny
158 tok/s 95–252 · niska pewność	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	6.6 GB	Q8_0	Wygodny
158 tok/s 95–252 · niska pewność	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	6.6 GB	Q8_0	Wygodny
158 tok/s 95–252 · niska pewność	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	6.6 GB	Q8_0	Wygodny
158 tok/s 95–252 · niska pewność	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	6.6 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,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI
Typ organizacji: Research collective,Academia,Academia,Academia,Academia,Industry,Industry
Kraj: United States of America, Singapore
Opublikowany: 5 April 2026
Autorzy: Haoquan Fang, Jiafei Duan, Donovan Clay, Sam Wang, Shuo Liu, Weikai Huang, Xiang Fan, Wei-Chuan Tsai, Shirui Chen, Yi Ru Wang, Shanli Xing, Jaemin Cho, Jae Sung Park, Ainaz Eftekhar, Peter Sushko, Karen Farley, Angad Wadhwa, Cole Harrison, Winson Han, Ying-Chun Lee, Eli VanderBilt, Rose Hendrix, Suveen Ellawela, Lucas Ngoo, Joyce Chai, Zhongzheng Ren, Ali Farhadi, Dieter Fox, Ranjay Krishna

Co to robi

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

Domena: Vision, Language, Robotics
Zadanie: Robotic manipulation

Rozmiar

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

parametry: 5.5B
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: 1.1 × 10²² FLOP

Przebieg szkolenia

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

Sprzęt do trenowania: NVIDIA H100 SXM5 80GB
Zastosowane chipy: 64
Czas rzeczywisty: 2,304 hours (96 days)
Pobór mocy: 87.2 kW
Dostawca chmury: Cirrascale Cloud Services
Centrum danych: Ai2 Jupiter, Austin, Texas

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)
Hugging Face: allenai

Jak jest klasyfikowane

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

Dlaczego to jest śledzone: Discretionary
Zapisz pewność: Likely

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: MolmoAct2: Action Reasoning Models for Real-world Deployment
Ostatnio zaktualizowane: 30 July 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają MolmoAct 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 MolmoAct 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

3.4 GB

Najszybszy

618 tok/s

MolmoAct 2 osiąga liczbę parametrów równą 5.5B. 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 Q3_K_M i produkując około 18.1 tokeny na sekundę

Najszybciej, jak to obliczamy, to B200, generowanie w przybliżeniu 618 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

MolmoAct 2 został opublikowany przez Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, w kraju zapisanym jako United States of America, podczas April 2026. Organizacja publikująca jest klasyfikowana jako research collective,Academia,Academia,Academia,Academia,Industry,Industry.

Działa w dziedzinie Vision, Language, Robotics, i jest zapisany jako wykonujący zadanie robotic manipulation.

Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu. Na Hugging Face jest opublikowane pod organizacją allenai.

Czytanie wskaźników przepustowości

Połowa kart, które go trzymają, osiąga więcej niż 25.8 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 759 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.

Co poszło w budowę tego

Trenowanie zajęło budżet obliczeniowy wynoszący około 1.1 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Powód, dla którego w ogóle pojawia się w tym katalogu: discretionary.

Krok po kroku

Jak wybrać GPU do MolmoAct 2

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

01

Sprawdź, co potrzebuje przed wszystkim innym.

Tabela zawiera każdą kartę, która jest w stanie pomieścić MolmoAct 2, potrzebując około 3.4 GB przy kompresji Q3_K_M. Żadna ilość mocy obliczeniowej nie może zrekompensować karty, która nie może jej pomieścić.
02

Ustaw długość kontekstu, z którą będziesz pracować

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. MolmoAct 2.
03

Wybierz, jak daleko chcesz to skompresować.

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q3_K_M 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 MolmoAct 2. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 618 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Tight dopasowanie działa, ale nie zostawia nic na dłuższą rozmowę, w przypadku MolmoAct 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

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 MolmoAct 2.

Odpowiedzi

MolmoAct 2 — częste pytania

MolmoAct 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: 4. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

MolmoAct 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: 371–988 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

MolmoAct 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 Q3_K_M używając około 3.4 GB, i produkuje w przybliżeniu 18.1 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 818.

MolmoAct 2— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 618 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 759.

MolmoAct 2— Ile VRAM-u potrzebuje?

Potrzebuje około 3.4 GB przy kompresji Q3_K_M, 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.

MolmoAct 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 6.6 GB i generując w przybliżeniu 115 tokenów na sekundę. Dopasowanie jest ciasne.

MolmoAct 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 6.6 GB i generując w przybliżeniu 70.5 tokenów na sekundę. Dopasowanie jest komfortowe.

MolmoAct 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 6.6 GB i generując w przybliżeniu 87.3 tokenów na sekundę. Dopasowanie jest komfortowe.

MolmoAct 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 6.6 GB i generując w przybliżeniu 103 tokenów na sekundę. Dopasowanie jest komfortowe.

MolmoAct 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.

MolmoAct 2— ile ma parametrów?

Ma liczbę parametrów równą 5.5B. From https://huggingface.co/allenai/MolmoAct2/blob/main/model.safetensors.index.json. 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.

MolmoAct 2— kto to stworzył?

Zostało opublikowane przez Allen Institute for AI,University of Washington,National University of Singapore,University of Pennsylvania,Johns Hopkins University,Amazon,Cortex AI, oparty na United States of America, organizacja sklasyfikowana jako research collective,Academia,Academia,Academia,Academia,Industry,Industry.

MolmoAct 2— kiedy to zostało wydane?

Zostało opublikowane w April 2026.

MolmoAct 2— do czego to służy?

Działa w dziedzinie Vision, Language, Robotics, i jest zarejestrowany jako realizujący zadanie robotic manipulation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

MolmoAct 2— Gdzie mogę to pobrać?

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

MolmoAct 2— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 1.1 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. 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.

MolmoAct 2— 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.

MolmoAct 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.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 30 July 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