Vypočítejte TPS modelu TITAN V na místních AI modelech

NVIDIA 12 GB HBM2 651 GB/s December 2017

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 · 197 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

276 tok/s · 1B

Které AI modely mohou běžet na a TITAN V?

Nastavte vstupy, přečtěte si odpověď

Délka kontextu tokeny

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

Minimální kvalita

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

Hledat modely

Velikost modelu

Uvolněno

Také zobrazit modely, které nemůže spustit

396 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
276 tok/s 234–331	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
276 tok/s 234–331	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
276 tok/s 166–441 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
276 tok/s 166–441 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
276 tok/s 166–441 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
276 tok/s 166–441 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
255 tok/s 153–409 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
251 tok/s 150–401 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
251 tok/s 150–401 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
251 tok/s 150–401 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
251 tok/s 150–401 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
230 tok/s 138–368 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
230 tok/s 138–368 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
230 tok/s 138–368 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
230 tok/s 138–368 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
224 tok/s 191–269	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
221 tok/s 133–354 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
221 tok/s 133–354 · nízká důvěra	DeepSeekMoE-16B	16B	Jan 2024	10.0 GB	4k tokeny	Q4_K_M	Těsný
212 tok/s 127–340 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
212 tok/s 127–340 · 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

TITAN V 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: 651 GB/s
Typ paměti: HBM2
Šířka sběrnice paměti: 3,072 bit
Frekvence paměti: 848 MHz

Čip

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

Grafický procesor: GV100
Architektura: Volta
Generace: GeForce 10
Foundry: TSMC
Velikost procesu: 12 nm
Tranzistory: 21.1 billion
Hustota tranzistorů: 25,900 K/mm²
Velikost čipu: 815 mm²
Uvolněno: 7 December 2017

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: 1.2 GHz
Zvýšená frekvence: 1.46 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: 5,120
Jednotky pro mapování textur: 320
Renderovací výstupní jednotky: 96
Streaming multiprocessory: 80
Tensor jádra: 640
L1 cache: 96 KB
L2 cache: 4.5 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): 29.8 TFLOPS
Jednoduchá přesnost (FP32): 14.9 TFLOPS
Dvojitá přesnost (FP64): 7.5 TFLOPS
Rychlost pixelů: 140 GPixel/s
Rychlost textury: 466 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 6-pin + 1x 8-pin
Rozhraní sběrnice: PCIe 3.0 x16
Šířka slotu: Dual-slot
Rozměry: 267 mm × 40 mm
Zobrazit výstupy: 1x HDMI 2.0, 3x 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: 7.0
DirectX: 12.1
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader model: 6.8

Seznamy

Kde koupit GPU TITAN V

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

Paměť: specifikace, která rozhoduje o všem

Paměť

12 GB

Šířka pásma

651 GB/s

Největší model

ERNIE-4.5-21B-A3B

TITAN V nese 12 GB z HBM2. 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 651 GB/s napříč autobusu 3,072 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 848 MHz. Šíření sběrnice a zvyšování frekvence jsou dvě páky, které výrobce má, a proto může karta s nevýznamnými jádry stále generovat rychle.

Největší věc, kterou drží, je ERNIE-4.5-21B-A3B, 21B, komprimováno na Q3_K_M a generováním kolem 197 tokenů za sekundu

Čip a jak byl vyroben

TITAN V je postaven na grafickém procesoru GV100, používající architekturu Volta z NVIDIA, jako součást generování GeForce 10.

Čip je vyráběn společností TSMC, na procesu 12 nm, s kostkou o rozměrech 815 mm², držení 21.1 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 December 2017, hrubě 8.6493127587628 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

29.8 TFLOPS

FP64

7.5 TFLOPS

Tensor jádra

640

Na papíře TITAN V dosahuje 29.8 TFLOPS při poloviční přesnosti, a 14.9 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 7.5 TFLOPS. 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.

Karta nese 640 Tensor jádra napříč 80 Streaming multiprocessory. Tyto zrychlují maticovou aritmetiku, která je základem transformátoru, a jsou tím, co činí zpracování příkazů — čtení dlouhého dokumentu před odpovědí — dramaticky rychlejší, než by tomu jinak bylo.

Hodiny běží od základu 1.2 GHz k zvýšení 1.46 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

TITAN V má L1 cache 96 KB, podporováno L2 cache 4.5 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 5,120 Stínovací jednotky, 320 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

TITAN V 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 6-pin + 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 TITAN V

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

01 ERNIE-4.5-21B-A3B 21B · Q3_K_M · Jun 2025 197 tok/s
02 GigaChat Lite (GigaChat-20B-A3B) 20B · Q3_K_M · Dec 2024 207 tok/s
03 InternLM2.5 20B · Q3_K_M · Aug 2024 37.2 tok/s
04 Granite 20B 20B · Q3_K_M · May 2024 37.2 tok/s
05 InternLM2-20B 20B · Q3_K_M · Jan 2024 37.2 tok/s
06 CogAgent 18B · IQ4_XS · Dec 2023 37.6 tok/s
07 SPHINX (Llama 2 13B) 19.9B · Q3_K_M · Nov 2023 37.4 tok/s
08 CogVLM-17B 17B · IQ4_XS · Nov 2023 39.8 tok/s
09 Flan UL2 19.5B · Q3_K_M · Mar 2023 38.2 tok/s
10 Palmyra Large 20B 20B · Q3_K_M · Mar 2023 37.2 tok/s

Nejrychlejší AI modely na a TITAN V

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

01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 276 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 276 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 276 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 276 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 276 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 276 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 255 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 251 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 251 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 251 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu TITAN V

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 396 modely, které karta zvládá. Vyhledávací pole přijímá název nebo velikost, jako je 27b, která odpovídá počtu parametrů.
02

Přizpůsobte kontext své práci

Delší konverzace vyžadují paměť nad rámec váhy. 12 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.
03

Vyberte, jak daleko chcete komprimovat.

Kompresce je to, co umožňuje větším modelům se vejít. Kontrola kvality vyřadí jakýkoli model, který vyžaduje více toho, než jste ochotni poskytnout.
04

Podívejte se na rozsah, nejen na číslo

Každá rychlost je odhadem pro jedinou konverzaci, s rozsahem pod ní. Horní konec zde je 276 tok/s na Gemma 3 QAT 1B. Stejná karta a model se liší o třicet až padesát procent mezi inference runtimy.
05

Zkontrolujte volný prostor, než se rozhodnete

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.
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 TITAN V.

Odpovědi

TITAN V — běžné otázky

TITAN V— kolik má paměti?

Tato karta má 12 GB z HBM2. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 10.8 GB dostupný pro model a jeho konverzaci.

TITAN V— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 651 GB/s napříč autobusu 3,072 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.

TITAN V— Jaký typ paměti používá?

Používá HBM2 častěji než 848 MHz. 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.

TITAN V— Kdo to vyrábí?

Toto je produkt z NVIDIA, s čipem vyrobeným od TSMC, na procesu 12 nm.

TITAN V— Kdy byl vydán?

Bylo to vydáno v December 2017.

TITAN V— 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.

TITAN V— kolik má cache?

L1 cache je 96 KB, a L2 cache je 4.5 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.

TITAN V— jaké jsou její TFLOPS?

Je hodnocena na 29.8 TFLOPS při poloviční přesnosti a 14.9 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.

TITAN V— kolik má tensorových jader?

Má 640 Tensor jádra napříč 80 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

TITAN V— Podporuje to CUDA?

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

TITAN V— 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.

TITAN V— Je to dobré pro běh místních AI modelů?

Jeho paměť pokrývá malé a středně velké modely, přesto jsou největší mimo dosah a jeho šířka pásma poskytuje použitelné, i když nespektakulární, rychlosti generování. Celkově běží 396 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

TITAN V— může spustit model, který se nevejde do jeho VRAM?

Může být rozdělen, přičemž přetečení je uchováváno v systémové MEMORY za hranicemi karty. 12 GB je možné a obvykle falešná úspora: část systémové paměti je dostatečně pomalá, aby dominovala výsledku.

Byly by dvě TITAN V Karty budou dvakrát rychlejší?

Kapacita se přidává, propustnost nikoli. Dva z nich vám dají 24 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.

TITAN V— 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.

TITAN V— 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 197 tokens za sekundu a potřebuje asi 10.1 GB VRAM karty.

TITAN V— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 276 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.

TITAN V— může to běžet 7B modely?

Ano. Například běží DeepSeek Coder 6.7B na Q6_K, používající přibližně 9.9 GB paměti a generování kolem 59.8 tokenů za sekundu

TITAN V— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q4_K_M, používající přibližně 10.0 GB paměti a generování kolem 221 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.

Všechny GPU