Gemma 3 QAT 4B TPS kalkulátor

Otevřít váhy Google DeepMind 4B parametry April 2025

Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..

Vypočteno pro tento model

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q4_K_M · 21.3 tok/s

Nejrychlejší karta

B200

847 tok/s · 180 GB

Které GPU mohou spustit Gemma 3 QAT 4B?

Nastavte vstupy, přečtěte si odpověď

Délka kontextu tokeny

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Minimální kvalita

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

Hledat karty

Paměť karty

Také zobrazit karty, které to nemohou spustit.

818 karty odpovídají

Vypočítávání

					Potřebuje	Kvantisace	Pohodlné
847 tok/s 720–1,016	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	5.0 GB	Q8_0	Pohodlný
847 tok/s 720–1,016	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	5.0 GB	Q8_0	Pohodlný
676 tok/s 406–1,082 · nízká důvěra	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	5.0 GB	Q8_0	Pohodlný
676 tok/s 406–1,082 · nízká důvěra	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	5.0 GB	Q8_0	Pohodlný
541 tok/s 325–866 · nízká důvěra	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
518 tok/s 440–621	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.0 GB	Q8_0	Pohodlný
518 tok/s 440–621	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	5.0 GB	Q8_0	Pohodlný
496 tok/s 297–793 · nízká důvěra	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
440 tok/s 264–704 · nízká důvěra	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	5.0 GB	Q8_0	Pohodlný
417 tok/s 355–501	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 302–427	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 302–427	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	5.0 GB	Q8_0	Pohodlný
356 tok/s 302–427	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 302–427	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
356 tok/s 302–427	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný
271 tok/s 163–433 · nízká důvěra	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	5.0 GB	Q8_0	Pohodlný
271 tok/s 163–433 · nízká důvěra	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	5.0 GB	Q8_0	Pohodlný
226 tok/s 135–361 · nízká důvěra	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
221 tok/s 133–353 · nízká důvěra	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	5.0 GB	Q8_0	Pohodlný
216 tok/s 184–259	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	5.0 GB	Q8_0	Pohodlný
216 tok/s 184–259	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	5.0 GB	Q8_0	Pohodlný
216 tok/s 184–259	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	5.0 GB	Q8_0	Pohodlný
216 tok/s 184–259	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	5.0 GB	Q8_0	Pohodlný

Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..

Na záznamu

Plná specifikace

Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..

Původ

Kdo vytvořil tento model, kde a kdy byl publikován.

Organizace: Google DeepMind
Typ organizace: Industry
Země: United States of America
Publikováno: 18 April 2025

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména: Language, Vision, Multimodal
Úkol: Language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation
Základní model: Gemma 3 4B

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry: 4B
Výcviková data: tokens

Dostupnost

Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.

Hmotnosti: Open — downloadable
Přístup k modelu: Open weights (restricted use)
Tréninkový kód: Unreleased
Hugging Face: google

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Záznam důvěry: Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference: Gemma 3 QAT Models: Bringing state-of-the-Art AI to consumer GPUs
Nap poslední aktualizace: 28 November 2025

Extrémy

Deset nejrychlejších GPU, které běží Gemma 3 QAT 4B

Seřazeno podle odhadovaných tokenů za sekundu, nejnovější karta první, kde se rychlosti shodují. Protože generování je omezeno šířkou pásma paměti, toto řazení následuje šířku pásma spíše než jakýkoli herní benchmark..

Nejmenší GPU, které ještě běží Gemma 3 QAT 4B

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

3.2 GB

Nejrychlejší

847 tok/s

Gemma 3 QAT 4B dosahuje počtu parametrů 4B. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q4_K_M a vyrábějí kolem 21.3 tokenů za sekundu

Špičkový model je B200, generování přibližně 847 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Pozadí

Gemma 3 QAT 4B byl zveřejněn Google DeepMind, v zemi zaznamenané jako United States of America, během April 2025. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Language, Vision, Multimodal, a je zaznamenán jako vykonávající úkol language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation.

Místo toho, aby byl trénován od nuly, je odvozen z Gemma 3 4B. Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.

Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet. Na Hugging Face je publikováno pod organizací google.

Čtení čísel propustnosti

Mediánový výsledek je kolem 31.3 tokenů za sekundu 779 z nich

Každá váha se účastní každého tokenu zde, takže šířka pásma je celá historie: hodnocení níže je ve skutečnosti hodnocením propustnosti paměti.

Jeho rozložení pozornosti je v naší databázi, takže hodnoty VRAM jsou vypočítány přesně místo přibližně.

Krok za krokem

Jak vybrat GPU pro Gemma 3 QAT 4B

Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.

01

Přečtěte si nejprve číslo paměti

Začněte od toho, co skutečně potřebuje, což je požadavek na Gemma 3 QAT 4B, potřebující kolem 3.2 GB při kompresi Q4_K_M. Tato čísla, nikoli hlavní výkon karty, rozhodují o tom, zda běží.
02

Přizpůsobte kontext svému skutečnému použití

Konverzace také zabírá MEMORY a roste, jak pokračuje. Nastavte posuvník na délku, kterou očekáváte, protože při dlouhém CONTEXT může být KARTA, která snadno zvládá krátké dotazy, odmítnuta. Gemma 3 QAT 4B.
03

Rozhodněte, jaké množství komprese přijmete

Sloupec kvantizace se liší podle KARTY, protože větší KARTA má přesnější kopii., dosahující komprese Q4_K_M na nejmenší kartě, která se vejde. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.
04

Srovnejte TPS, ne specifikace

Rychlostní řazení je v podstatě řazením podle šířky pásma paměti, pro Gemma 3 QAT 4B. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 847 tok/s
05

Podívejte se na rezervu, ne jen na padnutí

Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě Gemma 3 QAT 4B. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.
06

Zkontrolujte kartu z druhé strany

Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě Gemma 3 QAT 4B.

Odpovědi

Gemma 3 QAT 4B — běžné otázky

Gemma 3 QAT 4B— kde si to mohu stáhnout?

Jeho váhy jsou publikovány na Hugging Face, pod organizací google. Na našem webu nenabízíme soubory modelů — tento web vypočítává, jaký hardware je potřebný pro jejich spuštění.

Gemma 3 QAT 4B— Mohu to spustit, pokud se to nevejde do mé GPU?

Může být rozdělen mezi GPU kartu a systémovou paměť, ale v tomto případě se generuje bolestivě pomalu. Každá postava zde předpokládá, že celý model je umístěn na kartě.

Gemma 3 QAT 4B— Běhalo by to rychleji na dvou GPU?

Dvě karty koupit paměť spíše než rychlost, což záleží pouze pokud jedna karta to nemůže udržet. Číslo, které může: 818. Takže druhá karta je tu zřídka odpovědí.

Gemma 3 QAT 4B— proč se kvantizace liší mezi kartami?

Protože se kapacita liší, liší se i to, jak moc musí být stlačena. Počet odlišných úrovní v tabulce výše: 3. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

Gemma 3 QAT 4B— Jak přesné jsou tyto odhady rychlosti?

Toto jsou odhady s reálnými chybami a kterýkoli z nich může rozumně spadnout kamkoli v jeho publikovaném rozmezí v závislosti na tom, který run AI model použijete. Nejrychlejší výsledek zde: 720–1,016 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

Gemma 3 QAT 4B— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi Q4_K_M používající přibližně 3.2 GB, a produkuje přibližně 21.3 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

Gemma 3 QAT 4B— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 847 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 779.

Gemma 3 QAT 4B— kolik VRAM potřebuje?

Potřebuje asi 3.2 GB při kompresi Q4_K_M, která je ta nejmenší karta, která to používá. Méně komprese vyžaduje více: čísla ve sloupci paměti výše jsou přepočítána pro každou kartu, protože každá drží nejméně komprimovanou verzi, kterou může.

Gemma 3 QAT 4B— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 5.0 GB a generováním zhruba 158 tokenů za sekundu. Fit je pohodlný.

Gemma 3 QAT 4B— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 5.0 GB a generováním zhruba 96.6 tokenů za sekundu. Fit je pohodlný.

Gemma 3 QAT 4B— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 5.0 GB a generováním zhruba 120 tokenů za sekundu. Fit je pohodlný.

Gemma 3 QAT 4B— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q8_0, používající přibližně 5.0 GB a generováním zhruba 142 tokenů za sekundu. Fit je pohodlný.

Gemma 3 QAT 4B— Je to OPEN SOURCE?

Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.

Gemma 3 QAT 4B— kolik má parametrů?

Má počet parametrů 4B. 4B. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Gemma 3 QAT 4B— Kdo to vytvořil?

Bylo to publikováno společností Google DeepMind, zakládající se na United States of America, organizace zařazená jako industry.

Gemma 3 QAT 4B— Kdy byl vydán?

Bylo to zveřejněno v April 2025.

Gemma 3 QAT 4B— K čemu se to používá?

funguje v oblasti Language, Vision, Multimodal, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 28 November 2025

Druhý směr

Díváte se na to z druhé strany?

Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.

Všechny AI modely