Vypočítejte TPS modelu GeForce RTX 2080 Max-Q na místních AI modelech

NVIDIA 8 GB GDDR6 384 GB/s January 2019

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 · 33.1 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

163 tok/s · 1B

Které AI modely mohou běžet na a GeForce RTX 2080 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

337 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
163 tok/s 138–195	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
163 tok/s 138–195	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
163 tok/s 98–260 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
163 tok/s 98–260 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
163 tok/s 98–260 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
163 tok/s 98–260 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
151 tok/s 90–241 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
148 tok/s 89–237 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
148 tok/s 89–237 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
148 tok/s 89–237 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
148 tok/s 89–237 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
132 tok/s 112–159	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
130 tok/s 78–209 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
125 tok/s 75–200 · 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

GeForce RTX 2080 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: 8 GB
Šířka pásma VRAM: 384 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 256 bit
Frekvence paměti: 1.5 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: GeForce 20 Mobile
Foundry: TSMC
Velikost procesu: 12 nm
Tranzistory: 13.6 billion
Hustota tranzistorů: 25,000 K/mm²
Velikost čipu: 545 mm²
Balíček: BGA-2228
Uvolněno: 29 January 2019

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: 735 MHz
Zvýšená frekvence: 1.1 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: 2,944
Jednotky pro mapování textur: 184
Renderovací výstupní jednotky: 64
Streaming multiprocessory: 46
Tensor jádra: 368
Jádra ray tracing: 46
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): 12.9 TFLOPS
Jednoduchá přesnost (FP32): 6.4 TFLOPS
Dvojitá přesnost (FP64): 201.5 GFLOPS
Rychlost pixelů: 70 GPixel/s
Rychlost textury: 202 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): 80 W
Napájecí konektory: None
Rozhraní sběrnice: PCIe 3.0 x16
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: 7.5
DirectX: 12.2
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader model: 6.8

Seznamy

Kde koupit GPU GeForce RTX 2080 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

Paměť: specifikace, která rozhoduje o všem

Paměť

8 GB

Šířka pásma

384 GB/s

Největší model

Baichuan 1-13B

GeForce RTX 2080 Max-Q 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 384 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.

Číslo je šířka sběrnice vynásobená hodinami paměti 1.5 GHz. Je to důvod, proč počty jader tak špatně předpovídají rychlost generace.

Největší věc, kterou drží, je Baichuan 1-13B, 13.3B, komprimováno na Q3_K_M a generováním kolem 33.1 tokenů za sekundu

Čip a jak byl vyroben

GeForce RTX 2080 Max-Q je postaven na grafickém procesoru TU104, používající architekturu Turing z NVIDIA, jako součást generování GeForce 20 Mobile.

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 January 2019, hrubě 7.5039542824093 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

12.9 TFLOPS

FP64

201.5 GFLOPS

Tensor jádra

368

Na papíře GeForce RTX 2080 Max-Q dosahuje 12.9 TFLOPS při poloviční přesnosti, a 6.4 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 201.5 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 368 Tensor jádra napříč 46 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 735 MHz k zvýšení 1.1 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

GeForce RTX 2080 Max-Q 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 2,944 Stínovací jednotky, 184 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

80 W

GeForce RTX 2080 Max-Q je ohodnocen na 80 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 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 GeForce RTX 2080 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 OLMo 2 Furious 13B 13B · Q3_K_M · Dec 2024 33.8 tok/s
02 Cambrian-1-13B 13B · Q3_K_M · Jun 2024 33.8 tok/s
03 Fugaku-LLM 13B · Q3_K_M · May 2024 33.8 tok/s
04 OpenThaiGPT v1.0.0 (13B) 13.1B · Q3_K_M · Apr 2024 33.5 tok/s
05 Aya 13B · Q3_K_M · Feb 2024 33.8 tok/s
06 Elyza 13B · Q3_K_M · Dec 2023 33.8 tok/s
07 NexusRaven-V2 13B · Q3_K_M · Dec 2023 33.8 tok/s
08 Baize-v2-13B (白泽) 13B · Q3_K_M · Dec 2023 33.8 tok/s
09 Stockmark-13B 13.2B · Q3_K_M · Oct 2023 33.3 tok/s
10 Baichuan 1-13B 13.3B · Q3_K_M · Jul 2023 33.1 tok/s

Nejrychlejší AI modely na a GeForce RTX 2080 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 163 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 163 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 163 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 163 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 163 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 163 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 151 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 148 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 148 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 148 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu GeForce RTX 2080 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

Najděte model v tabulce

Tabulka uvádí 337 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.
02

Rozhodněte, jak dlouho vaše konverzace běží

Delší konverzace vyžadují paměť nad rámec váhy. 8 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

Čísla jsou vypočítaná, ne měřená. Nejrychlejší výsledek na této kartě je 163 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.

Těsné znamená, že to dnes funguje; pohodlné znamená, že to stále funguje, když se konverzace rozrůstá. Porovnejte, co každý model potřebuje, s dostupným. 8 GB.
06

Ověření proti jinému hardwaru

Každá stránka modelu opakuje tento výpočet pro celý katalog. Stojí za to se podívat před rozhodnutím: ukazuje, co dalšího běží na stejném modelu, vedle GeForce RTX 2080 Max-Q.

Odpovědi

GeForce RTX 2080 Max-Q — běžné otázky

GeForce RTX 2080 Max-Q— Kdy byl vydán?

Bylo to vydáno v January 2019.

GeForce RTX 2080 Max-Q— kolik energie to spotřebovává?

Hodnocená výkonová karta je 80 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.

GeForce RTX 2080 Max-Q— 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.

GeForce RTX 2080 Max-Q— jaké jsou její TFLOPS?

Je hodnocena na 12.9 TFLOPS při poloviční přesnosti a 6.4 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.

GeForce RTX 2080 Max-Q— kolik má tensorových jader?

Má 368 Tensor jádra napříč 46 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

GeForce RTX 2080 Max-Q— 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.

GeForce RTX 2080 Max-Q— 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.

GeForce RTX 2080 Max-Q— Je to dobré pro běh místních AI modelů?

Jeho paměť ho omezuje na menší modely, přesto jeho šířka pásma znamená, že generace bude na větších modelech působit pomalu. Celkem běží 337 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

GeForce RTX 2080 Max-Q— může spustit model, který se nevejde do jeho VRAM?

Offloading mimo karty 8 GB sedí v systémové paměti a běží zlomek rychlosti, takže většinou offloadovaný model se zřídka vyplatí používat. Každé číslo zde předpokládá, že je plně umístěno na kartě.

Byly by dvě GeForce RTX 2080 Max-Q Karty budou dvakrát rychlejší?

Ne. Druhá karta zdvojnásobí VRAM na 16 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.

GeForce RTX 2080 Max-Q— 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.

GeForce RTX 2080 Max-Q— 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 33.1 tokens za sekundu a potřebuje asi 7.2 GB VRAM karty.

GeForce RTX 2080 Max-Q— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 163 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.

GeForce RTX 2080 Max-Q— 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 53.6 tokenů za sekundu

GeForce RTX 2080 Max-Q— může to běžet 13B modely?

Ano. Například běží Gemma 4 12B na Q3_K_M, používající přibližně 6.5 GB paměti a generování kolem 36.7 tokenů za sekundu

GeForce RTX 2080 Max-Q— 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.

GeForce RTX 2080 Max-Q— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 384 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.

GeForce RTX 2080 Max-Q— Jaký typ paměti používá?

Používá GDDR6 častěji než 1.5 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.

GeForce RTX 2080 Max-Q— Kdo to vyrábí?

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

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