Vypočítejte TPS modelu Quadro P5200 Max-Q na místních AI modelech

NVIDIA 16 GB GDDR5 231 GB/s February 2018

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

432 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

Nemotron 3-Nano-30B-A3B

31.6B · Q3_K_M · 39.4 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

83.1 tok/s · 1B

Které AI modely mohou běžet na a Quadro P5200 Max-Q?

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

432 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
83.1 tok/s 29–166 · nízká důvěra	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
83.1 tok/s 29–166 · nízká důvěra	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
83.1 tok/s 29–166 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
83.1 tok/s 29–166 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
83.1 tok/s 29–166 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
83.1 tok/s 29–166 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
77.0 tok/s 27–154 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
75.6 tok/s 26–151 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
75.6 tok/s 26–151 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
75.6 tok/s 26–151 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
75.6 tok/s 26–151 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
69.3 tok/s 24–139 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
69.3 tok/s 24–139 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
69.3 tok/s 24–139 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
69.3 tok/s 24–139 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
67.6 tok/s 24–135 · nízká důvěra	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
66.6 tok/s 23–133 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
63.9 tok/s 22–128 · 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 P5200 Max-Q 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: 231 GB/s
Typ paměti: GDDR5
Šířka sběrnice paměti: 256 bit
Frekvence paměti: 1.8 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-M(Px200)
Foundry: TSMC
Velikost procesu: 16 nm
Tranzistory: 7.2 billion
Hustota tranzistorů: 22,900 K/mm²
Velikost čipu: 314 mm²
Balíček: BGA-2150
Uvolněno: 21 February 2018

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: 1.32 GHz
Zvýšená frekvence: 1.57 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): 125.5 GFLOPS
Jednoduchá přesnost (FP32): 8 TFLOPS
Dvojitá přesnost (FP64): 251 GFLOPS
Rychlost pixelů: 100 GPixel/s
Rychlost textury: 251 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): 100 W
Napájecí konektory: None
Rozhraní sběrnice: MXM-B (3.0)
Šířka slotu: MXM Module

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 P5200 Max-Q

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

16 GB

Šířka pásma

231 GB/s

Největší model

Nemotron 3-Nano-30B-A3B

Quadro P5200 Max-Q nese 16 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 14.4 GB.

Šířka pásma paměti dosahuje 231 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 1.8 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 39.4 tokenů za sekundu

Čip a jak byl vyroben

Quadro P5200 Max-Q je postaven na grafickém procesoru GP104, používající architekturu Pascal z NVIDIA, jako součást generování Quadro Pascal-M(Px200).

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 February 2018, hrubě 8.4409446751791 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

125.5 GFLOPS

FP64

251 GFLOPS

Na papíře Quadro P5200 Max-Q dosahuje 125.5 GFLOPS při poloviční přesnosti, a 8 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 251 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 1.32 GHz k zvýšení 1.57 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 P5200 Max-Q 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

100 W

Quadro P5200 Max-Q je ohodnocen na 100 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 mxm module. 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 MXM-B (3.0). 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 P5200 Max-Q

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

01 North Mini Code 30B · Q3_K_M · Jun 2026 41.5 tok/s
02 Qwen 3.6-27B 27B · Q3_K_M · Apr 2026 8.3 tok/s
03 Qwen3.5-27B 27B · Q3_K_M · Feb 2026 8.3 tok/s
04 Nemotron 3-Nano-30B-A3B 31.6B · Q3_K_M · Dec 2025 39.4 tok/s
05 Nomos 1 30B · Q3_K_M · Dec 2025 41.5 tok/s
06 C2S-Scale 27B · Q3_K_M · Oct 2025 8.3 tok/s
07 Gemma-SEA-LION-v4-27B-IT 27B · Q3_K_M · Aug 2025 8.3 tok/s
08 ERNIE-4.5-VL-28B-A3B 28B · Q3_K_M · Jun 2025 44.5 tok/s
09 Qwen3-30B-A3B 30B · Q3_K_M · Apr 2025 41.5 tok/s
10 Gemma 3 QAT 27B 27B · Q3_K_M · Apr 2025 8.3 tok/s

Nejrychlejší AI modely na a Quadro P5200 Max-Q

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 83.1 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 83.1 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 83.1 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 83.1 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 83.1 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 83.1 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 77.0 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 75.6 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 75.6 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 75.6 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu Quadro P5200 Max-Q

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

Model: AI model. Spuštění AI modelu. Nevejde se do GPU VRAM. Těsný. Pohodlný. Open-source AI model. V naší databázi. Nově vydané GPU. GPU VRAM/bandwidth. GPU karta. Kontextová délka.

Tabulka uvádí 432 modely, které tato karta může spustit. Hledejte podle názvu nebo podle velikosti — zadání 27b odpovídá počtu parametrů, i když se v názvu nikdy neuvádí.
02

Přizpůsobte kontext své práci

Přetáhněte posuvník na délku konverzace, na které plánujete pracovat. Cache se zvětšuje s konverzací, a proti kartě, která drží 16 GB takže nastavení stojí za to udělat správně.
03

Vyberte, jak daleko chcete komprimovat.

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

Každá rychlost je odhadem pro jedinou konverzaci, s rozsahem pod ní. Horní konec zde je 83.1 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

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

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 P5200 Max-Q.

Odpovědi

Quadro P5200 Max-Q — běžné otázky

Quadro P5200 Max-Q— kolik má paměti?

Tato karta má 16 GB z GDDR5. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 14.4 GB dostupný pro model a jeho konverzaci.

Quadro P5200 Max-Q— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 231 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 P5200 Max-Q— Jaký typ paměti používá?

Používá GDDR5 častěji než 1.8 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 P5200 Max-Q— Kdo to vyrábí?

Toto je produkt z NVIDIA, s čipem vyrobeným od TSMC, na procesu 16 nm.

Quadro P5200 Max-Q— Kdy byl vydán?

Bylo to vydáno v February 2018.

Quadro P5200 Max-Q— kolik energie to spotřebovává?

Hodnocená výkonová karta je 100 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 P5200 Max-Q— 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 P5200 Max-Q— jaké jsou její TFLOPS?

Je hodnocena na 125.5 GFLOPS při poloviční přesnosti a 8 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 P5200 Max-Q— 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 P5200 Max-Q— jaké rozhraní sběrnice používá?

Používá MXM-B (3.0). 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 P5200 Max-Q— 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 P5200 Max-Q— 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 P5200 Max-Q Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 32 GB pracovat s spíše než dvojnásobek tokenů za sekundu — každá hodnota zde je pro jeden KARTU.

Quadro P5200 Max-Q— 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 P5200 Max-Q— 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 39.4 tokens za sekundu a potřebuje asi 14.4 GB VRAM karty.

Quadro P5200 Max-Q— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 83.1 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 P5200 Max-Q— může to běžet 7B modely?

Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 12.4 tokenů za sekundu

Quadro P5200 Max-Q— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q6_K, používající přibližně 13.7 GB paměti a generování kolem 41.9 tokenů za sekundu

Quadro P5200 Max-Q— 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 44.5 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