Vypočítejte TPS modelu Quadro P5000 na místních AI modelech
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
679 modely v našem katalogu dohromady
Největší model, který podporuje
Nemotron 3-Nano-30B-A3B
31.6B · Q3_K_M · 49.3 tok/s
Nejrychlejší model
Gemma 3 QAT 1B
104 tok/s · 1B
Které AI modely mohou běžet na a Quadro P5000?
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.
432 modely odpovídají
Vypočítávání| Kvantisace | Pohodlné | ||||||
|---|---|---|---|---|---|---|---|
|
104
tok/s
36–208 · nízká důvěra |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokeny | Q8_0 | Pohodlný |
|
104
tok/s
36–208 · nízká důvěra |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokeny | Q8_0 | Pohodlný |
|
104
tok/s
36–208 · nízká důvěra |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
104
tok/s
36–208 · nízká důvěra |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
104
tok/s
36–208 · nízká důvěra |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
104
tok/s
36–208 · nízká důvěra |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
96.2
tok/s
34–192 · nízká důvěra |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
94.4
tok/s
33–189 · nízká důvěra |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
94.4
tok/s
33–189 · nízká důvěra |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
94.4
tok/s
33–189 · nízká důvěra |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
94.4
tok/s
33–189 · nízká důvěra |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
86.6
tok/s
30–173 · nízká důvěra |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
86.6
tok/s
30–173 · nízká důvěra |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
86.6
tok/s
30–173 · nízká důvěra |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
86.6
tok/s
30–173 · nízká důvěra |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
84.4
tok/s
30–169 · nízká důvěra |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokeny | Q8_0 | Pohodlný |
|
83.3
tok/s
29–167 · nízká důvěra |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokeny ? | Q8_0 | Pohodlný |
|
79.9
tok/s
28–160 · nízká důvěra |
Phi-1 ≈ | 1.3B | Oct 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 P5000 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
- 16 GB
- Šířka pásma VRAM
- 289 GB/s
- Typ paměti
- GDDR5X
- Šířka sběrnice paměti
- 256 bit
- Frekvence paměti
- 1.13 GHz
Čip
Který procesor je na desce a jak byl vyroben. Menší výrobní technologie obvykle znamená vyšší výkon při stejné spotřebě energie.
- Grafický procesor
- GP104
- Architektura
- Pascal
- Generace
- Quadro Pascal(Px000)
- Foundry
- TSMC
- Velikost procesu
- 16 nm
- Tranzistory
- 7.2 billion
- Hustota tranzistorů
- 22,900 K/mm²
- Velikost čipu
- 314 mm²
- Balíček
- BGA-2150
- Uvolněno
- 1 October 2016
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
- 1.61 GHz
- Zvýšená frekvence
- 1.73 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
- 2,560
- Jednotky pro mapování textur
- 160
- Renderovací výstupní jednotky
- 64
- Streaming multiprocessory
- 20
- L1 cache
- 48 KB
- L2 cache
- 2 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.
- Půl přesnost (FP16)
- 138.6 GFLOPS
- Jednoduchá přesnost (FP32)
- 8.9 TFLOPS
- Dvojitá přesnost (FP64)
- 277.3 GFLOPS
- Rychlost pixelů
- 111 GPixel/s
- Rychlost textury
- 277 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)
- 180 W
- Navrhovaný zdroj napájení
- 450 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 1.4a
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
- 6.1
- DirectX
- 12.1
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Shader model
- 6.8
Seznamy
Kde koupit GPU Quadro P5000
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
Proč je paměť číslo, které zde záleží
Paměť
16 GB
Šířka pásma
289 GB/s
Největší model
Nemotron 3-Nano-30B-A3B
Quadro P5000 nese 16 GB z GDDR5X. To dosahuje pohodlně do malých a středně velkých modelů, i když ty největší zůstávají mimo dosah bez jejich rozdělení. Přetížení ovladače zanechává přibližně 14.4 GB.
Šířka pásma paměti dosahuje 289 GB/s napříč autobusu 256 bitů. Šířka pásma je skutečné omezení této karty. Každý token vyžaduje přečtení celého modelu z paměti, takže velký model se zde bude zdát pomalý, i když se vejde.
Šířka pásma je frekvence krát šířka sběrnice, a tato karta taktí svou paměť na 1.13 GHz. Je to důvod, proč počty jader tak špatně předpovídají rychlost generace.
Sestaveno, největší model, který se vejde, je Nemotron 3-Nano-30B-A3B, 31.6B, komprimováno na Q3_K_M a generováním kolem 49.3 tokenů za sekundu
Čip a jak byl vyroben
Quadro P5000 je postaven na grafickém procesoru GP104, používající architekturu Pascal z NVIDIA, jako součást generování Quadro Pascal(Px000).
Čip je vyráběn společností TSMC, na procesu 16 nm, s kostkou o rozměrech 314 mm², držení 7.2 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 October 2016, hrubě 9.8327162732621 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
FP16
138.6 GFLOPS
FP64
277.3 GFLOPS
Na papíře Quadro P5000 dosahuje 138.6 GFLOPS při poloviční přesnosti, a 8.9 TFLOPS na jedné přesnosti. Toto jsou špičkové údaje, které žádné skutečné zatížení nepodporuje, a generování textu dosahuje pouze malé části z nich - dekódování je omezeno pamětí spíše než aritmetikou, což je důvod, proč karta může vypadat extrémně výkonně zde a přesto produkovat tokeny běžnou rychlostí.
Výkon s dvojitou přesností dosahuje 277.3 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 1.61 GHz k zvýšení 1.73 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 P5000 má L1 cache 48 KB, podporováno L2 cache 2 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 2,560 Stínovací jednotky, 160 Jednotky pro mapování textur, a 64 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
180 W
Quadro P5000 je ohodnocen na 180 W, a navrhovaný systémový zdroj energie je 450 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 P5000
Největší open-weight modely, které se vejdou na tuto kartu, nejnovější první. Každý je zobrazen při nejlepší kompresi, kterou karta může zvládnout..
Nejrychlejší AI modely na a Quadro P5000
Kde tato KARTA produkuje TOKENY nejrychleji. Menší modely zde dominují, protože generování každého TOKENU znamená přečtení celého modelu z MEMORY jednou..
Krok za krokem
Jak vypočítat tokeny za sekundu AI modelu Quadro P5000
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.
-
01
Najděte model v tabulce
Tabulka uvádí 432 modely, které karta zvládá. Vyhledávací pole přijímá název nebo velikost, jako je 27b, která odpovídá počtu parametrů.
-
02
Rozhodněte, jak dlouho vaše konverzace běží
Přetáhněte posuvník na délku konverzace, na které plánujete pracovat. Cache se zvětšuje s konverzací, a proti kartě, která drží 16 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.
-
03
Připněte porovnání na jednu úroveň kvality
Každý model je zobrazen při nejlepší kompresi, kterou tato karta může držet. Minimální kvalita skrývá ty, které se vejdou jenom tím, že jsou stlačeny více, než byste přijali.
-
04
Přečtěte si rychlost a rozsah
Rychlosti přicházejí s chybovými pruhy z nějakého důvodu. Nejlepší případ zde je 104 tok/s na Gemma 3 QAT 1B. Stejná karta a model se liší o třicet až padesát procent mezi inference runtimy.
-
05
Zkontrolujte sloupec paměti před potvrzením
Těsné znamená, že to dnes funguje; pohodlné znamená, že to stále funguje, když se konverzace rozrůstá. Porovnejte, co každý model potřebuje, s dostupným. 16 GB.
-
06
Zkontrolujte stejný model z druhé strany
Následující model na jeho vlastní stránce zobrazuje veškerý hardware, který ho může spustit, takže můžete vidět, jak se porovnává proti Quadro P5000.
Odpovědi
Quadro P5000 — běžné otázky
Quadro P5000— kolik má paměti?
Tato karta má 16 GB z GDDR5X. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 14.4 GB dostupný pro model a jeho konverzaci.
Quadro P5000— jaká je její šířka pásma VRAM?
Šířka pásma paměti dosahuje 289 GB/s napříč autobusu 256 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.
Quadro P5000— Jaký typ paměti používá?
Používá GDDR5X častěji než 1.13 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.
Quadro P5000— Kdo to vyrábí?
Toto je produkt z NVIDIA, s čipem vyrobeným od TSMC, na procesu 16 nm.
Quadro P5000— Kdy byl vydán?
Bylo to vydáno v October 2016.
Quadro P5000— kolik energie to spotřebovává?
Hodnocená výkonová karta je 180 W, a navrhovaný systémový zdroj energie je 450 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.
Quadro P5000— kolik má cache?
L1 cache je 48 KB, a L2 cache je 2 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.
Quadro P5000— jaké jsou její TFLOPS?
Je hodnocena na 138.6 GFLOPS při poloviční přesnosti a 8.9 TFLOPS na jediné přesnosti. Toto jsou maximální aritmetické stropy spíše než dosažitelné rychlosti, a generování textu dosahuje pouze malé části z nich, protože je omezeno šířkou pásma VRAM.
Quadro P5000— Podporuje to CUDA?
Ano. Hláší CUDA výpočetní schopnost 6.1, 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.
Quadro P5000— 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.
Quadro P5000— 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 432 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.
Quadro P5000— může spustit model, který se nevejde do jeho VRAM?
Pouze částečně. Vrstvy nad kartou GPU 16 GB táhne to celé dolů a žádná z postav na této stránce to nepředpokládá.
Byly by dvě Quadro P5000 Karty budou dvakrát rychlejší?
Kapacita se přidává, propustnost nikoli. Dva z nich vám dají 32 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.
Quadro P5000— které AI modely může spustit?
432 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.
Quadro P5000— jaký je největší AI model, který může spustit?
Největší model v našem katalogu, který se vejde, je Nemotron 3-Nano-30B-A3B na 31.6B parametry, komprimované na Q3_K_M. Generuje přibližně 49.3 tokens za sekundu a potřebuje asi 14.4 GB VRAM karty.
Quadro P5000— kolik tokenů za sekundu produkuje?
Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 104 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.
Quadro P5000— může to běžet 7B modely?
Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 15.5 tokenů za sekundu
Quadro P5000— může to běžet 13B modely?
Ano. Například běží DeepSeekMoE-16B na Q6_K, používající přibližně 13.7 GB paměti a generování kolem 52.4 tokenů za sekundu
Quadro P5000— může to běžet 30B modely?
Ano. Například běží ERNIE-4.5-VL-28B-A3B na Q3_K_M, používající přibližně 12.9 GB paměti a generování kolem 55.6 tokenů za sekundu
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.