Vypočítejte TPS modelu Quadro RTX 4000 na místních AI modelech

NVIDIA 8 GB GDDR6 416 GB/s November 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

337 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

Baichuan 1-13B

13.3B · Q3_K_M · 35.8 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

176 tok/s · 1B

Které AI modely mohou běžet na a Quadro RTX 4000?

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

337 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
176 tok/s 150–211	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
176 tok/s 150–211	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
176 tok/s 106–282 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
176 tok/s 106–282 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
176 tok/s 106–282 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
176 tok/s 106–282 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
163 tok/s 98–261 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
160 tok/s 96–256 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
147 tok/s 88–235 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
147 tok/s 88–235 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
147 tok/s 88–235 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
147 tok/s 88–235 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
143 tok/s 122–172	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
141 tok/s 85–226 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · 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 RTX 4000 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: 8 GB
Šířka pásma VRAM: 416 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 256 bit
Frekvence paměti: 1.63 GHz

Čip

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

Grafický procesor: TU104
Architektura: Turing
Generace: Quadro Turing(Tx000)
Foundry: TSMC
Velikost procesu: 12 nm
Tranzistory: 13.6 billion
Hustota tranzistorů: 25,000 K/mm²
Velikost čipu: 545 mm²
Balíček: BGA-2228
Uvolněno: 13 November 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: 1.01 GHz
Zvýšená frekvence: 1.55 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: 2,304
Jednotky pro mapování textur: 144
Renderovací výstupní jednotky: 64
Streaming multiprocessory: 36
Tensor jádra: 288
Jádra ray tracing: 36
L1 cache: 64 KB
L2 cache: 4 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): 14.2 TFLOPS
Jednoduchá přesnost (FP32): 7.1 TFLOPS
Dvojitá přesnost (FP64): 222.5 GFLOPS
Rychlost pixelů: 99 GPixel/s
Rychlost textury: 223 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): 160 W
Navrhovaný zdroj napájení: 450 W
Napájecí konektory: 1x 8-pin
Rozhraní sběrnice: PCIe 3.0 x16
Šířka slotu: Single-slot
Rozměry: 241 mm
Zobrazit výstupy: 3x DisplayPort 1.4a, 1x USB Type-C

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: 7.5
DirectX: 12.2
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader model: 6.8

Seznamy

Kde koupit GPU Quadro RTX 4000

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

8 GB

Šířka pásma

416 GB/s

Největší model

Baichuan 1-13B

Quadro RTX 4000 nese pouze 8 GB z GDDR6. To omezuje na menší konec katalogu, a model musí být zcela uvnitř, než něco vygeneruje. Runtime ve skutečnosti získá přibližně 7.2 GB.

Šířka pásma paměti dosahuje 416 GB/s napříč autobusu 256 bitů. To je číslo, které určuje rychlost generování — aritmetika na byte přečteném je dostatečně malá, takže čeká vše na sběrnici, nikoli na jádra.

To pramení z paměťového taktu 1.63 GHz. Je to důvod, proč počty jader tak špatně předpovídají rychlost generace.

V praxi tato kombinace dosahuje maxima na Baichuan 1-13B, 13.3B, komprimováno na Q3_K_M a generováním kolem 35.8 tokenů za sekundu

Čip a jak byl vyroben

Quadro RTX 4000 je postaven na grafickém procesoru TU104, používající architekturu Turing z NVIDIA, jako součást generování Quadro Turing(Tx000).

Čip je vyráběn společností TSMC, na procesu 12 nm, s kostkou o rozměrech 545 mm², držení 13.6 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 November 2018, hrubě 7.7150605704954 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

14.2 TFLOPS

FP64

222.5 GFLOPS

Tensor jádra

288

Na papíře Quadro RTX 4000 dosahuje 14.2 TFLOPS při poloviční přesnosti, a 7.1 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 222.5 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.

Karta nese 288 Tensor jádra napříč 36 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 1.01 GHz k zvýšení 1.55 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 RTX 4000 má L1 cache 64 KB, podporováno L2 cache 4 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 2,304 Stínovací jednotky, 144 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

160 W

Quadro RTX 4000 je ohodnocen na 160 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 single-slot, měření 241 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 RTX 4000

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

01 OLMo 2 Furious 13B 13B · Q3_K_M · Dec 2024 36.6 tok/s
02 Cambrian-1-13B 13B · Q3_K_M · Jun 2024 36.6 tok/s
03 Fugaku-LLM 13B · Q3_K_M · May 2024 36.6 tok/s
04 OpenThaiGPT v1.0.0 (13B) 13.1B · Q3_K_M · Apr 2024 36.3 tok/s
05 Aya 13B · Q3_K_M · Feb 2024 36.6 tok/s
06 Elyza 13B · Q3_K_M · Dec 2023 36.6 tok/s
07 NexusRaven-V2 13B · Q3_K_M · Dec 2023 36.6 tok/s
08 Baize-v2-13B (白泽) 13B · Q3_K_M · Dec 2023 36.6 tok/s
09 Stockmark-13B 13.2B · Q3_K_M · Oct 2023 36.0 tok/s
10 Baichuan 1-13B 13.3B · Q3_K_M · Jul 2023 35.8 tok/s

Nejrychlejší AI modely na a Quadro RTX 4000

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 176 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 176 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 176 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 176 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 176 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 176 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 163 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 160 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 160 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 160 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu Quadro RTX 4000

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 337 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.
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. 8 GB takže nastavení stojí za to udělat správně.
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.
04

Vezměte rozsah jako odpověď

Rychlosti přicházejí s chybovými pruhy z nějakého důvodu. Nejlepší případ zde je 176 tok/s na Gemma 3 QAT 1B. Stejná karta a model se liší o třicet až padesát procent mezi inference runtimy.
05

Přečtěte si soud o fitu naposled.

Sloupec vhodnosti odděluje modely, které se právě vejdou, od těch, které mají prostor navíc — stojí za to zkontrolovat před výběrem jednoho, proti dostupným 8 GB.
06

Otevřete model pro porovnání karet

Každé jméno modelu v tabulce odkazuje na svou vlastní stránku, která provádí stejné výpočty na každé kartě, kterou máme. Tam vidíte, zda je správný nákup Quadro RTX 4000.

Odpovědi

Quadro RTX 4000 — běžné otázky

Quadro RTX 4000— které AI modely může spustit?

337 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 RTX 4000— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je Baichuan 1-13B na 13.3B parametry, komprimované na Q3_K_M. Generuje přibližně 35.8 tokens za sekundu a potřebuje asi 7.2 GB VRAM karty.

Quadro RTX 4000— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 176 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 RTX 4000— může to běžet 7B modely?

Ano. Například běží MetaMath 7B (LLaMa finetune) na Q4_K_M, používající přibližně 6.5 GB paměti a generování kolem 58.1 tokenů za sekundu

Quadro RTX 4000— může to běžet 13B modely?

Ano. Například běží Gemma 4 12B na Q3_K_M, používající přibližně 6.5 GB paměti a generování kolem 39.8 tokenů za sekundu

Quadro RTX 4000— kolik má paměti?

Tato karta má 8 GB z GDDR6. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 7.2 GB dostupný pro model a jeho konverzaci.

Quadro RTX 4000— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 416 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 RTX 4000— Jaký typ paměti používá?

Používá GDDR6 častěji než 1.63 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 RTX 4000— Kdo to vyrábí?

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

Quadro RTX 4000— Kdy byl vydán?

Bylo to vydáno v November 2018.

Quadro RTX 4000— kolik energie to spotřebovává?

Hodnocená výkonová karta je 160 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 RTX 4000— kolik má cache?

L1 cache je 64 KB, a L2 cache je 4 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 RTX 4000— jaké jsou její TFLOPS?

Je hodnocena na 14.2 TFLOPS při poloviční přesnosti a 7.1 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 RTX 4000— kolik má tensorových jader?

Má 288 Tensor jádra napříč 36 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

Quadro RTX 4000— Podporuje to CUDA?

Ano. Hláší CUDA výpočetní schopnost 7.5. 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 RTX 4000— 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 RTX 4000— Je to dobré pro běh místních AI modelů?

Jeho paměť ho omezuje na menší modely a jeho šířka pásma poskytuje použitelné, i když nepřesvědčivé, rychlosti generování. Celkově to běží 337 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

Quadro RTX 4000— může spustit model, který se nevejde do jeho VRAM?

Pouze částečně. Vrstvy nad kartou GPU 8 GB je možné a obvykle falešná úspora: část systémové paměti je dostatečně pomalá, aby dominovala výsledku.

Byly by dvě Quadro RTX 4000 Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 16 GB pracovat s spíše než dvojnásobek tokenů za sekundu — každá hodnota zde je pro jeden 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