Vypočítejte TPS modelu RTX A4000 Max-Q na místních AI modelech

NVIDIA 8 GB GDDR6 352 GB/s April 2021

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 · 30.3 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

149 tok/s · 1B

Které AI modely mohou běžet na a RTX A4000 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
149 tok/s 127–179	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
149 tok/s 127–179	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
149 tok/s 89–239 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
149 tok/s 89–239 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
149 tok/s 89–239 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
149 tok/s 89–239 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
138 tok/s 83–221 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
136 tok/s 81–217 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
124 tok/s 75–199 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
124 tok/s 75–199 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
124 tok/s 75–199 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
124 tok/s 75–199 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
121 tok/s 103–145	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
120 tok/s 72–191 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
115 tok/s 69–183 · 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

RTX A4000 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: 352 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 256 bit
Frekvence paměti: 1.38 GHz

Čip

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

Grafický procesor: GA104
Architektura: Ampere
Generace: Ampere-MW(Ax000)
Foundry: Samsung
Velikost procesu: 8 nm
Tranzistory: 17.4 billion
Hustota tranzistorů: 44,400 K/mm²
Velikost čipu: 392 mm²
Balíček: BGA-2713
Uvolněno: 12 April 2021

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: 780 MHz
Zvýšená frekvence: 1.4 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: 160
Renderovací výstupní jednotky: 80
Streaming multiprocessory: 40
Tensor jádra: 160
Jádra ray tracing: 40
L1 cache: 128 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): 14.3 TFLOPS
Jednoduchá přesnost (FP32): 14.3 TFLOPS
Dvojitá přesnost (FP64): 223.2 GFLOPS
Rychlost pixelů: 112 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): 80 W
Napájecí konektory: None
Rozhraní sběrnice: PCIe 4.0 x16

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 RTX A4000 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

Kapacita a šířka pásma

Paměť

8 GB

Šířka pásma

352 GB/s

Největší model

Baichuan 1-13B

RTX A4000 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 352 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 1.38 GHz. Obě poloviny jsou důležité a ani jedna není viditelná v herním benchmarku.

Praktický strop je Baichuan 1-13B, 13.3B, komprimováno na Q3_K_M a generováním kolem 30.3 tokenů za sekundu

Čip a jak byl vyroben

RTX A4000 Max-Q je postaven na grafickém procesoru GA104, používající architekturu Ampere z NVIDIA, jako součást generování Ampere-MW(Ax000).

Čip je vyráběn společností Samsung, na procesu 8 nm, s kostkou o rozměrech 392 mm², držení 17.4 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 April 2021, hrubě 5.3037933097092 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

14.3 TFLOPS

FP64

223.2 GFLOPS

Tensor jádra

160

Na papíře RTX A4000 Max-Q dosahuje 14.3 TFLOPS při poloviční přesnosti, a 14.3 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 223.2 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 160 Tensor jádra napříč 40 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 780 MHz k zvýšení 1.4 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

RTX A4000 Max-Q má L1 cache 128 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 5,120 Stínovací jednotky, 160 Jednotky pro mapování textur, a 80 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

RTX A4000 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.

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 RTX A4000 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 31.0 tok/s
02 Cambrian-1-13B 13B · Q3_K_M · Jun 2024 31.0 tok/s
03 Fugaku-LLM 13B · Q3_K_M · May 2024 31.0 tok/s
04 OpenThaiGPT v1.0.0 (13B) 13.1B · Q3_K_M · Apr 2024 30.7 tok/s
05 Aya 13B · Q3_K_M · Feb 2024 31.0 tok/s
06 Elyza 13B · Q3_K_M · Dec 2023 31.0 tok/s
07 NexusRaven-V2 13B · Q3_K_M · Dec 2023 31.0 tok/s
08 Baize-v2-13B (白泽) 13B · Q3_K_M · Dec 2023 31.0 tok/s
09 Stockmark-13B 13.2B · Q3_K_M · Oct 2023 30.5 tok/s
10 Baichuan 1-13B 13.3B · Q3_K_M · Jul 2023 30.3 tok/s

Nejrychlejší AI modely na a RTX A4000 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 149 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 149 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 149 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 149 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 149 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 149 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 138 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 136 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 136 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 136 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu RTX A4000 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 karta zvládá. Vyhledávací pole přijímá název nebo velikost, jako je 27b, která odpovídá počtu parametrů.
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 to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.
03

Připněte porovnání na jednu úroveň kvality

Ve výchozím nastavení tabulka vybírá nejméně komprimovanou verzi, která se vejde. Nastavení podlahy odstraňuje modely, které splňují kritéria pouze díky silné kompresi.
04

Podívejte se na rozsah, nejen na číslo

Čísla jsou vypočítaná, ne měřená. Nejrychlejší výsledek na této kartě je 149 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

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 RTX A4000 Max-Q.

Odpovědi

RTX A4000 Max-Q — běžné otázky

RTX A4000 Max-Q— 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.

RTX A4000 Max-Q— 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.

RTX A4000 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.

RTX A4000 Max-Q— může spustit model, který se nevejde do jeho VRAM?

Pouze částečně. Vrstvy nad kartou GPU 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 RTX A4000 Max-Q Karty budou dvakrát rychlejší?

Ne. Druhá karta zdvojnásobí VRAM na 16 GB pracovat s spíše než dvojnásobek tokenů za sekundu — každá hodnota zde je pro jeden KARTU.

RTX A4000 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.

RTX A4000 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 30.3 tokens za sekundu a potřebuje asi 7.2 GB VRAM karty.

RTX A4000 Max-Q— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 149 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.

RTX A4000 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 49.2 tokenů za sekundu

RTX A4000 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 33.7 tokenů za sekundu

RTX A4000 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.

RTX A4000 Max-Q— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 352 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.

RTX A4000 Max-Q— Jaký typ paměti používá?

Používá GDDR6 častěji než 1.38 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.

RTX A4000 Max-Q— Kdo to vyrábí?

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

RTX A4000 Max-Q— Kdy byl vydán?

Bylo to vydáno v April 2021.

RTX A4000 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.

RTX A4000 Max-Q— kolik má cache?

L1 cache je 128 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.

RTX A4000 Max-Q— jaké jsou její TFLOPS?

Je hodnocena na 14.3 TFLOPS při poloviční přesnosti a 14.3 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.

RTX A4000 Max-Q— kolik má tensorových jader?

Má 160 Tensor jádra napříč 40 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

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