Vypočítejte TPS modelu Quadro M6000 na místních AI modelech

NVIDIA 12 GB GDDR5 317 GB/s March 2015

Každý model v našem katalogu byl posouzen vůči této kartě při délce kontextu a minimální kvalitě, kterou si zvolíte. Rychlost je odhad pro jediný požadavek, vypočítaný z šířky pásma paměti této karty a velikosti každého modelu po kompresi..

Vypočítáno pro tuto kartu

396 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

ERNIE-4.5-21B-A3B

21B · Q3_K_M · 81.6 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

114 tok/s · 1B

Které AI modely mohou běžet na a Quadro M6000?

Nastavte vstupy, přečtěte si odpověď

Více kontextu znamená více paměti pro cache konverzace. Rychlost je pro novou konverzaci a nemění se s tímto nastavením..

Skrývá modely, které by se vešly pouze tím, že by byly komprimovány pod tuto úroveň.

396 modely odpovídají

Vypočítávání
Kvantisace Pohodlné
114 tok/s

40–229 · nízká důvěra

Gemma 3 1B 1B Mar 2025 1.8 GB 33k tokeny Q8_0 Pohodlný
114 tok/s

40–229 · nízká důvěra

Gemma 3 QAT 1B 1B Apr 2025 1.8 GB 33k tokeny Q8_0 Pohodlný
114 tok/s

40–229 · nízká důvěra

HGRN 1B (WT 103) ≈ 1B Nov 2023 1.8 GB 131k tokeny ? Q8_0 Pohodlný
114 tok/s

40–229 · nízká důvěra

LLama 3..2 Typhoon 2 1B ≈ 1B Dec 2024 1.8 GB 131k tokeny ? Q8_0 Pohodlný
114 tok/s

40–229 · nízká důvěra

OLMo-1B ≈ 1B Feb 2024 1.8 GB 131k tokeny ? Q8_0 Pohodlný
114 tok/s

40–229 · nízká důvěra

Pythia-1b ≈ 1B Apr 2023 1.8 GB 131k tokeny ? Q8_0 Pohodlný
106 tok/s

37–212 · nízká důvěra

OpenELM-1.1B ≈ 1.1B May 2024 1.9 GB 131k tokeny ? Q8_0 Pohodlný
104 tok/s

36–208 · nízká důvěra

DeciCoder-1B ≈ 1.1B Aug 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
104 tok/s

36–208 · nízká důvěra

SantaCoder ≈ 1.1B Jan 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
104 tok/s

36–208 · nízká důvěra

TinyLlama-1.1B (1T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
104 tok/s

36–208 · nízká důvěra

TinyLlama-1.1B (3T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
95.2 tok/s

33–190 · nízká důvěra

EXAONE 4.0 (1.2B) ≈ 1.2B Jul 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
95.2 tok/s

33–190 · nízká důvěra

MinerU2.5 ≈ 1.2B Sep 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
95.2 tok/s

33–190 · nízká důvěra

Pleias 1.0 1.2B ≈ 1.2B Dec 2024 2.0 GB 131k tokeny ? Q8_0 Pohodlný
95.2 tok/s

33–190 · nízká důvěra

Pleias-RAG-1B ≈ 1.2B Apr 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
92.9 tok/s

33–186 · nízká důvěra

Llama 3.2 1B 1.2B Sep 2024 2.2 GB 131k tokeny Q8_0 Pohodlný
91.6 tok/s

32–183 · nízká důvěra

DeepSeekMoE-16B 16B Jan 2024 10.0 GB 4k tokeny Q4_K_M Těsný
91.6 tok/s

32–183 · nízká důvěra

MiniCPM-1.2B ≈ 1.2B Jun 2024 2.0 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

DeepSeek Coder 1.3B ≈ 1.3B Jan 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

DeepSeek-VL-1.3B ≈ 1.3B Mar 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

DigiRL ≈ 1.3B Jun 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

GLA Transformer 1.3B ≈ 1.3B Aug 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

Janus 1.3B ≈ 1.3B Oct 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

Kosmos-2.5 ≈ 1.3B Aug 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
87.9 tok/s

31–176 · nízká důvěra

Otter ≈ 1.3B May 2023 2.1 GB 131k tokeny ? 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

Quadro M6000 Plná specifikace

Všechny informace o této desce, seřazené podle toho, jak moc ovlivňují spuštění jazykového modelu, spíše než podle toho, jak by je uvedl seznam specifikací. Memory přichází první, protože rozhoduje o výsledku; zbytek je context..

Paměť

Dvě specifikace, které rozhodují o tom, co tato KARTA může spustit a jak rychle. Kapacita určuje, které modely se vejdou; šířka pásma určuje, kolik TOKENŮ za sekundu produkují, jakmile se vejdou.

Velikost paměti
12 GB
Šířka pásma VRAM
317 GB/s
Typ paměti
GDDR5
Šířka sběrnice paměti
384 bit
Frekvence paměti
1.65 GHz

Čip

Který procesor je na desce a jak byl vyroben. Menší výrobní technologie obvykle znamená vyšší výkon při stejné spotřebě energie.

Grafický procesor
GM200
Architektura
Maxwell 2.0
Generace
Quadro Maxwell(Mx000)
Foundry
TSMC
Velikost procesu
28 nm
Tranzistory
8 billion
Hustota tranzistorů
13,300 K/mm²
Velikost čipu
601 mm²
Balíček
BGA-2152
Uvolněno
21 March 2015

Frekvence hodin

Jak rychle procesor běží. Zde má mnohem nižší hodnotu než na herním benchmarku: generování textu je omezeno šířkou pásma paměti, takže vyšší takt sotva posune výsledek.

Základní takt
988 MHz
Zvýšená frekvence
1.11 GHz

Zpracovatelské jednotky

Co čip obsahuje. Tyto prvky ovlivňují grafický výkon a mají hlavní význam pro zpracování dlouhého promptu spíše než pro produkci odpovědi.

Stínovací jednotky
3,072
Jednotky pro mapování textur
192
Renderovací výstupní jednotky
96
Streaming multiprocessory
24
L1 cache
48 KB
L2 cache
3 MB

Teoretický výkon

Maximální aritmetické rychlosti zveřejněné pro kartu. Toto jsou stropy, kterých žádná skutečná pracovní zátěž nedosahuje, a generování textu dosahuje jen malé části z nich, protože je omezeno pamětí spíše než aritmetikou.

Jednoduchá přesnost (FP32)
6.8 TFLOPS
Dvojitá přesnost (FP64)
213.9 GFLOPS
Rychlost pixelů
107 GPixel/s
Rychlost textury
214 GTexel/s

Deska

Co je potřeba k fyzickému nainstalování a napájení karty — praktické omezení, která rozhodují o tom, zda se vejde do stroje, který již vlastníte.

Příkon (TDP)
250 W
Navrhovaný zdroj napájení
600 W
Napájecí konektory
1x 8-pin
Rozhraní sběrnice
PCIe 3.0 x16
Šířka slotu
Dual-slot
Rozměry
267 mm
Zobrazit výstupy
1x DVI, 4x DisplayPort 1.2

Podpora softwaru

Jaké grafické a výpočetní rozhraní karta podporuje. CUDA výpočetní schopnost je ta, která se týká inferencí: pod 7.0 nejsou žádné tensorové jádra a moderní inferenční software se vrací ke pomalejším kódovým cestám.

schopnost výpočtu CUDA
5.2
DirectX
12.1
OpenGL
4.6
Vulkan
1.4
OpenCL
3.0
Shader model
6.8

Seznamy

Kde koupit GPU Quadro M6000

Žádný prodejce aktuálně nenabízí tuto KARTU. Seznamy pocházejí od prodejců, kteří je zde zveřejňují přímo. — procházet adresář dodavatele vidět, kdo prodává co.

Co čísla znamenají

Co znamená paměťový subsystém pro AI

Paměť

12 GB

Šířka pásma

317 GB/s

Největší model

ERNIE-4.5-21B-A3B

Quadro M6000 nese 12 GB z GDDR5. To dosahuje pohodlně do malých a středně velkých modelů, i když ty největší zůstávají mimo dosah bez jejich rozdělení. Přetížení ovladače zanechává přibližně 10.8 GB.

Šířka pásma paměti dosahuje 317 GB/s napříč autobusu 384 bitů. To je číslo, které určuje rychlost generování — aritmetika na byte přečteném je dostatečně malá, takže čeká vše na sběrnici, nikoli na jádra.

Šířka pásma je frekvence krát šířka sběrnice, a tato karta taktí svou paměť na 1.65 GHz. Obě poloviny jsou důležité a ani jedna není viditelná v herním benchmarku.

Praktický strop je ERNIE-4.5-21B-A3B, 21B, komprimováno na Q3_K_M a generováním kolem 81.6 tokenů za sekundu

Čip a jak byl vyroben

Quadro M6000 je postaven na grafickém procesoru GM200, používající architekturu Maxwell 2.0 z NVIDIA, jako součást generování Quadro Maxwell(Mx000).

Čip je vyráběn společností TSMC, na procesu 28 nm, s kostkou o rozměrech 601 mm², držení 8 billion Tranzistory. Menší proces obvykle znamená více výkonu při stejné spotřebě, i když pro jazykové modely to má mnohem menší význam než paměťový subsystém.

Bylo to vydáno v March 2015, hrubě 11.364376381677 před lety. Podpora softwaru pro inference obvykle následuje hardware o rok nebo dva, takže karta tohoto stáří má obvykle k dispozici zralé, dobře optimalizované kódové cesty.

Výpočetní propustnost a proč je méně důležitá, než vypadá

FP64

213.9 GFLOPS

Výkon s dvojitou přesností dosahuje 213.9 GFLOPS. Nemá to vliv na spuštění jazykového modelu — žádný inference runtime to nepoužívá — ale odděluje součásti datového centra od spotřebitelských, protože ty ostatní to úmyslně omezují.

Hodiny běží od základu 988 MHz k zvýšení 1.11 GHz. Zde má mnohem nižší hodnotu než na herním benchmarku: zvyšování taktovacích frekvencí zrychluje aritmetiku, a na aritmetiku není generace čekající.

Cache a zpracovatelské jednotky

Quadro M6000 má L1 cache 48 KB, podporováno L2 cache 3 MB. Cache vstřebává část paměťového provozu, který by jinak zasáhl hlavní sběrnici, což je jediné místo na této stránce, kde číslo jiné než šířka pásma tiše ovlivňuje rychlost generování — velká L2 umožňuje větší množství pracovního souboru zůstat blízko jader.

Existují 3,072 Stínovací jednotky, 192 Jednotky pro mapování textur, a 96 Renderovací výstupní jednotky. Tyto zařízení zpracovávají grafické pracovní zátěže a přispívají k zpracování výzev, ale většinu času, kdy model generuje odpověď, zůstávají nečinné.

Síla, velikost a instalace

Příkon

250 W

Quadro M6000 je ohodnocen na 250 W, a navrhovaný systémový zdroj energie je 600 W. Spouštění jazykového modelu zaměstnává kartu v impulzech spíše než nepřetržitě — při generování spotřebovává hodně a mezi požadavky nečinní — takže trvalá spotřeba během pracovního dne je obvykle pod uvedenou hodnotou.

desku zabírá dual-slot, měření 267 mm dlouhý, a potřebuje 1x 8-pin. Stojí za to zkontrolovat případ a napájecí zdroj již v stroji, protože největší KARTY potřebují podstatně více obojího než typická desktopová konfigurace poskytuje.

Spojuje se přes PCIe 3.0 x16. Rozhraní určuje, jak rychle je model načten z disku do karty, nikoli jak rychle běží poté, co je tam, takže užší spojení stojí několik sekund při spuštění a nic víc.

Extrémy

Největší AI modely, které běží na GPU Quadro M6000

Největší open-weight modely, které se vejdou na tuto kartu, nejnovější první. Každý je zobrazen při nejlepší kompresi, kterou karta může zvládnout..

  1. 01 ERNIE-4.5-21B-A3B 21B · Q3_K_M · Jun 2025 81.6 tok/s
  2. 02 GigaChat Lite (GigaChat-20B-A3B) 20B · Q3_K_M · Dec 2024 85.7 tok/s
  3. 03 InternLM2.5 20B · Q3_K_M · Aug 2024 15.4 tok/s
  4. 04 Granite 20B 20B · Q3_K_M · May 2024 15.4 tok/s
  5. 05 InternLM2-20B 20B · Q3_K_M · Jan 2024 15.4 tok/s
  6. 06 CogAgent 18B · IQ4_XS · Dec 2023 15.6 tok/s
  7. 07 SPHINX (Llama 2 13B) 19.9B · Q3_K_M · Nov 2023 15.5 tok/s
  8. 08 CogVLM-17B 17B · IQ4_XS · Nov 2023 16.5 tok/s
  9. 09 Flan UL2 19.5B · Q3_K_M · Mar 2023 15.8 tok/s
  10. 10 Palmyra Large 20B 20B · Q3_K_M · Mar 2023 15.4 tok/s

Nejrychlejší AI modely na a Quadro M6000

Kde tato KARTA produkuje TOKENY nejrychleji. Menší modely zde dominují, protože generování každého TOKENU znamená přečtení celého modelu z MEMORY jednou..

  1. 01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 114 tok/s
  2. 02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 114 tok/s
  3. 03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 114 tok/s
  4. 04 OLMo-1B 1B · Q8_0 · 1.8 GB 114 tok/s
  5. 05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 114 tok/s
  6. 06 Pythia-1b 1B · Q8_0 · 1.8 GB 114 tok/s
  7. 07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 106 tok/s
  8. 08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 104 tok/s
  9. 09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 104 tok/s
  10. 10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 104 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu Quadro M6000

Nemusíte nic počítat ručně — kalkulačka gputps.com na této stránce to už vypočítala pro každý model, který tato karta může podpořit. Přečtení odpovědi trvá šest kroků.

  1. 01

    Najděte model v tabulce

    Tabulka uvádí 396 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.

  2. 02

    Nastavte délku kontextu, kterou skutečně použijete

    Nastavte kontext na svou skutečnou pracovní délku. Krátké otázky téměř nic nestojí, ale dlouhý dokument může spotřebovat velký podíl. 12 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.

  3. 03

    Připněte porovnání na jednu úroveň kvality

    Kompresce je to, co umožňuje větším modelům se vejít. Kontrola kvality vyřadí jakýkoli model, který vyžaduje více toho, než jste ochotni poskytnout.

  4. 04

    Podívejte se na rozsah, nejen na číslo

    Rychlosti přicházejí s chybovými pruhy z nějakého důvodu. Nejlepší případ zde je 114 tok/s na Gemma 3 QAT 1B. Stejná karta a model se liší o třicet až padesát procent mezi inference runtimy.

  5. 05

    Zkontrolujte sloupec paměti před potvrzením

    Tight fit běží, ale nedává žádný prostor pro zvýšení kontextu později; comfortable má rezervu. Sloupec paměti ukazuje, co každý model potřebuje proti dostupnému 12 GB.

  6. 06

    Otevřete model pro porovnání karet

    Každá stránka modelu opakuje tento výpočet pro celý katalog. Stojí za to se podívat před rozhodnutím: ukazuje, co dalšího běží na stejném modelu, vedle Quadro M6000.

Odpovědi

Quadro M6000 — běžné otázky

01

Quadro M6000— které AI modely může spustit?

396 z 679 Otevřené váhové jazykové modely, které sledujeme, se vejdou na tuto kartu a mohou být spuštěny lokálně. Tabulka na této stránce obsahuje každý z nich, s pamětí, kterou potřebuje, kvantizací, na které běží, a odhadovanou rychlostí generování.

02

Quadro M6000— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je ERNIE-4.5-21B-A3B na 21B parametry, komprimované na Q3_K_M. Generuje přibližně 81.6 tokens za sekundu a potřebuje asi 10.1 GB VRAM karty.

03

Quadro M6000— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 114 tokenů za sekundu, zatímco větší modely běží proporčně pomaleji, protože každý token vyžaduje přečtení celého modelu z paměti jednou. Rychlosti jsou odhady pro jednorázový rozhovor.

04

Quadro M6000— může to běžet 7B modely?

Ano. Například běží DeepSeek Coder 6.7B na Q6_K, používající přibližně 9.9 GB paměti a generování kolem 24.8 tokenů za sekundu

05

Quadro M6000— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q4_K_M, používající přibližně 10.0 GB paměti a generování kolem 91.6 tokenů za sekundu

06

Quadro M6000— kolik má paměti?

Tato karta má 12 GB z GDDR5. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 10.8 GB dostupný pro model a jeho konverzaci.

07

Quadro M6000— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 317 GB/s napříč autobusu 384 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.

08

Quadro M6000— Jaký typ paměti používá?

Používá GDDR5 častěji než 1.65 GHz. Typy HBM se nacházejí na akcelerátorech datových center a mají mnohem větší šířku pásma než GDDR používané na desktopových kartách, což je důvod, proč generují tokeny podstatně rychleji při stejné kapacitě.

09

Quadro M6000— Kdo to vyrábí?

Toto je produkt z NVIDIA, s čipem vyrobeným od TSMC, na procesu 28 nm.

10

Quadro M6000— Kdy byl vydán?

Bylo to vydáno v March 2015.

11

Quadro M6000— kolik energie to spotřebovává?

Hodnocená výkonová karta je 250 W, a navrhovaný systémový zdroj energie je 600 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.

12

Quadro M6000— kolik má cache?

L1 cache je 48 KB, a L2 cache je 3 MB. Cache absorbuje část paměťového provozu, který by jinak dosáhl hlavní sběrnice, takže větší L2 poskytuje skromné zvýšení rychlosti generování nad rámec toho, co předpovídá pouze šířka pásma.

13

Quadro M6000— Podporuje to CUDA?

Ano. Hláší CUDA výpočetní schopnost 5.2, který předchází TENSOR CORES. Schopnost 7.0 a výše má tensorové jádra, která moderní inference software používá; pod tímto se přechází na pomalejší kódové cesty pro kvantizované modely.

14

Quadro M6000— jaké rozhraní sběrnice používá?

Používá PCIe 3.0 x16. Tohoto určuje, jak rychle je model nahrán na kartu, spíše než jak rychle běží po nahrání, takže to stojí několik sekund při spuštění a nic během generace.

15

Quadro M6000— Je to dobré pro běh místních AI modelů?

Jeho paměť pokrývá malé a středně velké modely, přičemž největší jsou mimo dosah, avšak jeho šířka pásma znamená, že generace bude na větších modelech působit pomalu. Celkově běží 396 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

16

Quadro M6000— může spustit model, který se nevejde do jeho VRAM?

Může být rozdělen, přičemž přetečení je uchováváno v systémové MEMORY za hranicemi karty. 12 GB táhne to celé dolů a žádná z postav na této stránce to nepředpokládá.

17

Byly by dvě Quadro M6000 Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 24 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.

Druhý směr

Díváte se na to z druhé strany?

Tato stránka začíná od hardwaru. Pokud již víte, který model chcete, a potřebujete vědět, co je potřeba k jeho spuštění, Začněte od modelu.

Všechny GPU