Vypočítejte TPS modelu A40 PCIe na místních AI modelech

NVIDIA 48 GB GDDR6 696 GB/s October 2020

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

576 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

Qwen3-Coder-Next

80B · IQ4_XS · 50.3 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

295 tok/s · 1B

Které AI modely mohou běžet na a A40 PCIe?

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

576 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
295 tok/s 250–354	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
295 tok/s 250–354	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
295 tok/s 177–472 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
295 tok/s 177–472 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
295 tok/s 177–472 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
295 tok/s 177–472 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
273 tok/s 164–437 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
268 tok/s 161–429 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
268 tok/s 161–429 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
268 tok/s 161–429 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
268 tok/s 161–429 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
246 tok/s 147–393 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
246 tok/s 147–393 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
246 tok/s 147–393 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
246 tok/s 147–393 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
240 tok/s 204–288	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
236 tok/s 142–378 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
227 tok/s 136–363 · 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

A40 PCIe 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: 48 GB
Šířka pásma VRAM: 696 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 384 bit
Frekvence paměti: 1.81 GHz

Čip

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

Grafický procesor: GA102
Architektura: Ampere
Generace: Server Ampere(Axx)
Foundry: Samsung
Velikost procesu: 8 nm
Tranzistory: 28.3 billion
Hustota tranzistorů: 45,100 K/mm²
Velikost čipu: 628 mm²
Balíček: BGA-3328
Uvolněno: 5 October 2020

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: 1.31 GHz
Zvýšená frekvence: 1.74 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: 10,752
Jednotky pro mapování textur: 336
Renderovací výstupní jednotky: 112
Streaming multiprocessory: 84
Tensor jádra: 336
Jádra ray tracing: 84
L1 cache: 128 KB
L2 cache: 6 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): 37.4 TFLOPS
Jednoduchá přesnost (FP32): 37.4 TFLOPS
Dvojitá přesnost (FP64): 584.6 GFLOPS
Rychlost pixelů: 195 GPixel/s
Rychlost textury: 585 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): 300 W
Navrhovaný zdroj napájení: 700 W
Napájecí konektory: 8-pin EPS
Rozhraní sběrnice: PCIe 4.0 x16
Šířka slotu: Dual-slot
Rozměry: 267 mm
Zobrazit výstupy: 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: 8.6
DirectX: 12.2
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader model: 6.8

Seznamy

Kde koupit GPU A40 PCIe

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

Kapacita a šířka pásma

Paměť

48 GB

Šířka pásma

696 GB/s

Největší model

Qwen3-Coder-Next

A40 PCIe nese 48 GB z GDDR6. Tohle pokrývá středně velké modely, které většina lidí skutečně používá. Jakmile runtime a ovladač rezervují svůj pracovní prostor, zhruba tolik zůstane: 43.2 GB.

Šířka pásma paměti dosahuje 696 GB/s napříč autobusu 384 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 1.81 GHz. 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 Qwen3-Coder-Next, 80B, komprimováno na IQ4_XS a generováním kolem 50.3 tokenů za sekundu

Čip a jak byl vyroben

A40 PCIe je postaven na grafickém procesoru GA102, používající architekturu Ampere z NVIDIA, jako součást generování Server Ampere(Axx).

Čip je vyráběn společností Samsung, na procesu 8 nm, s kostkou o rozměrech 628 mm², držení 28.3 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 2020, hrubě 5.821762147472 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

37.4 TFLOPS

FP64

584.6 GFLOPS

Tensor jádra

336

Na papíře A40 PCIe dosahuje 37.4 TFLOPS při poloviční přesnosti, a 37.4 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 584.6 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 336 Tensor jádra napříč 84 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 1.31 GHz k zvýšení 1.74 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

A40 PCIe má L1 cache 128 KB, podporováno L2 cache 6 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 10,752 Stínovací jednotky, 336 Jednotky pro mapování textur, a 112 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

300 W

A40 PCIe je ohodnocen na 300 W, a navrhovaný systémový zdroj energie je 700 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 8-pin EPS. 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 4.0 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 A40 PCIe

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

01 Qwen3-Coder-Next 80B · IQ4_XS · Feb 2026 50.3 tok/s
02 Qwen3-Next-80B-A3B 80B · IQ4_XS · Sep 2025 50.3 tok/s
03 Kimi Dev 72b 72B · IQ4_XS · Jun 2025 10.1 tok/s
04 OpenThaiGPT 1.6 / OTG-1.6 (72B) 72B · IQ4_XS · Apr 2025 10.1 tok/s
05 InternVL2_5-78B 78.4B · Q3_K_M · Dec 2024 10.1 tok/s
06 Qwen2.5-72B 72.7B · Q4_K_M · Sep 2024 9.4 tok/s
07 Qwen2.5 Instruct (72B) 72.7B · Q4_K_M · Sep 2024 9.4 tok/s
08 InternVL2-Llama3-76B 76B · IQ4_XS · Jul 2024 9.5 tok/s
09 Qwen2-72B 72.7B · Q4_K_M · Jun 2024 9.4 tok/s
10 IDEFICS-80B 80B · Q3_K_M · Aug 2023 9.9 tok/s

Nejrychlejší AI modely na a A40 PCIe

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 295 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 295 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 295 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 295 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 295 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 295 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 273 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 268 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 268 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 268 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu A40 PCIe

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

Hledejte model, který chcete

Tabulka uvádí 576 modely, které karta zvládá. Vyhledávací pole přijímá název nebo velikost, jako je 27b, která odpovídá počtu parametrů.
02

Nastavte délku kontextu, kterou skutečně použijete

Delší konverzace vyžadují paměť nad rámec váhy. 48 GB často je to to, co dostane velký model na hranu.
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 295 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

Sloupec vhodnosti odděluje modely, které se právě vejdou, od těch, které mají prostor navíc — stojí za to zkontrolovat před výběrem jednoho, proti dostupným 48 GB.
06

Otevřete model pro porovnání karet

Následující model na jeho vlastní stránce zobrazuje veškerý hardware, který ho může spustit, takže můžete vidět, jak se porovnává proti A40 PCIe.

Odpovědi

A40 PCIe — běžné otázky

A40 PCIe— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q8_0, používající přibližně 17.5 GB paměti a generování kolem 102 tokenů za sekundu

A40 PCIe— může to běžet 30B modely?

Ano. Například běží ERNIE-4.5-VL-28B-A3B na Q8_0, používající přibližně 29.2 GB paměti a generování kolem 58.5 tokenů za sekundu

A40 PCIe— může to běžet 70B modely?

Ano. Například běží Qwen3-Coder-Next na IQ4_XS, používající přibližně 38.8 GB paměti a generování kolem 50.3 tokenů za sekundu

A40 PCIe— kolik má paměti?

Tato karta má 48 GB z GDDR6. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 43.2 GB dostupný pro model a jeho konverzaci.

A40 PCIe— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 696 GB/s napříč autobusu 384 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.

A40 PCIe— Jaký typ paměti používá?

Používá GDDR6 častěji než 1.81 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.

A40 PCIe— Kdo to vyrábí?

Toto je produkt z NVIDIA, s čipem vyrobeným od Samsung, na procesu 8 nm.

A40 PCIe— Kdy byl vydán?

Bylo to vydáno v October 2020.

A40 PCIe— kolik energie to spotřebovává?

Hodnocená výkonová karta je 300 W, a navrhovaný systémový zdroj energie je 700 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.

A40 PCIe— kolik má cache?

L1 cache je 128 KB, a L2 cache je 6 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.

A40 PCIe— jaké jsou její TFLOPS?

Je hodnocena na 37.4 TFLOPS při poloviční přesnosti a 37.4 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.

A40 PCIe— kolik má tensorových jader?

Má 336 Tensor jádra napříč 84 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

A40 PCIe— Podporuje to CUDA?

Ano. Hláší CUDA výpočetní schopnost 8.6. Schopnost 7.0 a výše má tensorové jádra, která moderní inference software používá; pod tímto se přechází na pomalejší kódové cesty pro kvantizované modely.

A40 PCIe— jaké rozhraní sběrnice používá?

Používá PCIe 4.0 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.

A40 PCIe— Je to dobré pro běh místních AI modelů?

Jeho paměť je dostatečně velká pro modely, na které většina desktopového hardwaru nedosáhne, a jeho šířka pásma poskytuje použitelné, i když neohromující, rychlosti generování. Celkově běží 576 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

A40 PCIe— může spustit model, který se nevejde do jeho VRAM?

Pouze částečně. Vrstvy nad kartou GPU 48 GB táhne to celé dolů a žádná z postav na této stránce to nepředpokládá.

Byly by dvě A40 PCIe Karty budou dvakrát rychlejší?

Kapacita se přidává, propustnost nikoli. Dva z nich vám dají 96 GB pracovat s spíše než dvojnásobek tokenů za sekundu — každá hodnota zde je pro jeden KARTU.

A40 PCIe— které AI modely může spustit?

576 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.

A40 PCIe— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je Qwen3-Coder-Next na 80B parametry, komprimované na IQ4_XS. Generuje přibližně 50.3 tokens za sekundu a potřebuje asi 38.8 GB VRAM karty.

A40 PCIe— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 295 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.

A40 PCIe— může to běžet 7B modely?

Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 44.0 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