Vypočítejte TPS modelu GeForce RTX 4090 na místních AI modelech

NVIDIA 24 GB GDDR6X 1,010 GB/s September 2022

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

502 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

Mixtral 8x7B

46.7B · Q3_K_M · 89.5 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

428 tok/s · 1B

Které AI modely mohou běžet na a GeForce RTX 4090?

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

502 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
428 tok/s 364–513	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
428 tok/s 364–513	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
428 tok/s 257–684 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
428 tok/s 257–684 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
428 tok/s 257–684 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
428 tok/s 257–684 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
396 tok/s 238–634 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
389 tok/s 233–622 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
389 tok/s 233–622 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
389 tok/s 233–622 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
389 tok/s 233–622 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
356 tok/s 214–570 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
356 tok/s 214–570 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
356 tok/s 214–570 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
356 tok/s 214–570 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
348 tok/s 296–417	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
343 tok/s 206–549 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
329 tok/s 197–526 · 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 4090 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: 24 GB
Šířka pásma VRAM: 1,010 GB/s
Typ paměti: GDDR6X
Šířka sběrnice paměti: 384 bit
Frekvence paměti: 1.31 GHz

Čip

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

Grafický procesor: AD102
Architektura: Ada Lovelace
Generace: GeForce 40
Foundry: TSMC
Velikost procesu: 5 nm
Tranzistory: 76.3 billion
Hustota tranzistorů: 125,300 K/mm²
Velikost čipu: 609 mm²
Uvolněno: 20 September 2022

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: 2.24 GHz
Zvýšená frekvence: 2.52 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: 16,384
Jednotky pro mapování textur: 512
Renderovací výstupní jednotky: 176
Streaming multiprocessory: 128
Tensor jádra: 512
Jádra ray tracing: 128
L1 cache: 128 KB
L2 cache: 72 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): 82.6 TFLOPS
Jednoduchá přesnost (FP32): 82.6 TFLOPS
Dvojitá přesnost (FP64): 1.3 TFLOPS
Rychlost pixelů: 444 GPixel/s
Rychlost textury: 1,290 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): 450 W
Navrhovaný zdroj napájení: 850 W
Napájecí konektory: 1x 16-pin
Rozhraní sběrnice: PCIe 4.0 x16
Šířka slotu: Triple-slot
Rozměry: 304 mm × 61 mm
Zobrazit výstupy: 1x HDMI 2.1, 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: 8.9
DirectX: 12.2
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader model: 6.8

Seznamy

Kde koupit GPU GeForce RTX 4090

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

24 GB

Šířka pásma

1,010 GB/s

Největší model

Mixtral 8x7B

GeForce RTX 4090 nese 24 GB z GDDR6X. Tohle pokrývá středně velké modely, které většina lidí skutečně používá. Jakmile runtime a ovladač rezervují svůj pracovní prostor, zhruba tolik zůstane: 21.6 GB.

Šířka pásma paměti dosahuje 1,010 GB/s napříč autobusu 384 bitů. Generování tokenu znamená přečtení každé váhy jednou, takže tato hodnota určuje tempo více než jakékoli jiné číslo zde, a na této úrovni text přichází rychleji, než většina lidí čte.

To pramení z paměťového taktu 1.31 GHz. Je to důvod, proč počty jader tak špatně předpovídají rychlost generace.

Největší věc, kterou drží, je Mixtral 8x7B, 46.7B, komprimováno na Q3_K_M a generováním kolem 89.5 tokenů za sekundu

Čip a jak byl vyroben

GeForce RTX 4090 je postaven na grafickém procesoru AD102, používající architekturu Ada Lovelace z NVIDIA, jako součást generování GeForce 40.

Čip je vyráběn společností TSMC, na procesu 5 nm, s kostkou o rozměrech 609 mm², držení 76.3 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 September 2022, hrubě 3.8626876782391 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

82.6 TFLOPS

FP64

1.3 TFLOPS

Tensor jádra

512

Na papíře GeForce RTX 4090 dosahuje 82.6 TFLOPS při poloviční přesnosti, a 82.6 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 1.3 TFLOPS. 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 512 Tensor jádra napříč 128 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 2.24 GHz k zvýšení 2.52 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 4090 má L1 cache 128 KB, podporováno L2 cache 72 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 16,384 Stínovací jednotky, 512 Jednotky pro mapování textur, a 176 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

450 W

GeForce RTX 4090 je ohodnocen na 450 W, a navrhovaný systémový zdroj energie je 850 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 triple-slot, měření 304 mm dlouhý, a potřebuje 1x 16-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 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 GeForce RTX 4090

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

01 Qwen3-Omni-30B-A3B 35.3B · Q4_K_M · Sep 2025 155 tok/s
02 InternVL2_5-38B 38.4B · Q3_K_M · Dec 2024 30.1 tok/s
03 TeleChat2-35B 35B · IQ4_XS · Oct 2024 30.0 tok/s
04 InternVL2-40B 40.1B · Q3_K_M · Jul 2024 28.8 tok/s
05 JIUTIAN-139MoE 38.8B · Q3_K_M · Jun 2024 29.8 tok/s
06 VILA1.5-40B 40B · Q3_K_M · May 2024 28.9 tok/s
07 LLaVA-NeXT-34B (LLaVA-1.6) 34.8B · IQ4_XS · Jan 2024 30.2 tok/s
08 Mixtral 8x7B 46.7B · Q3_K_M · Dec 2023 89.5 tok/s
09 Falcon-40B 40B · Q3_K_M · Mar 2023 28.9 tok/s
10 gpt-sw3-40b 40B · Q3_K_M · Mar 2023 28.9 tok/s

Nejrychlejší AI modely na a GeForce RTX 4090

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 428 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 428 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 428 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 428 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 428 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 428 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 396 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 389 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 389 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 389 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu GeForce RTX 4090

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 502 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.
02

Přizpůsobte kontext své práci

Přetáhněte posuvník na délku konverzace, na které plánujete pracovat. Cache se zvětšuje s konverzací, a proti kartě, která drží 24 GB takže nastavení stojí za to udělat správně.
03

Vyberte, jak daleko chcete komprimovat.

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

Vezměte rozsah jako odpověď

Čísla jsou vypočítaná, ne měřená. Nejrychlejší výsledek na této kartě je 428 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. 24 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 GeForce RTX 4090.

Odpovědi

GeForce RTX 4090 — běžné otázky

GeForce RTX 4090— může to běžet 30B modely?

Ano. Například běží Nemotron 3-Nano-30B-A3B na Q4_K_M, používající přibližně 18.1 GB paměti a generování kolem 174 tokenů za sekundu

GeForce RTX 4090— kolik má paměti?

Tato karta má 24 GB z GDDR6X. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 21.6 GB dostupný pro model a jeho konverzaci.

GeForce RTX 4090— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 1,010 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.

GeForce RTX 4090— Jaký typ paměti používá?

Používá GDDR6X častěji než 1.31 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 4090— Kdo to vyrábí?

Toto je produkt z NVIDIA, s čipem vyrobeným od TSMC, na procesu 5 nm.

GeForce RTX 4090— Kdy byl vydán?

Bylo to vydáno v September 2022.

GeForce RTX 4090— kolik energie to spotřebovává?

Hodnocená výkonová karta je 450 W, a navrhovaný systémový zdroj energie je 850 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 4090— kolik má cache?

L1 cache je 128 KB, a L2 cache je 72 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 4090— jaké jsou její TFLOPS?

Je hodnocena na 82.6 TFLOPS při poloviční přesnosti a 82.6 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 4090— kolik má tensorových jader?

Má 512 Tensor jádra napříč 128 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

GeForce RTX 4090— Podporuje to CUDA?

Ano. Hláší CUDA výpočetní schopnost 8.9. 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 4090— 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.

GeForce RTX 4090— Je to dobré pro běh místních AI modelů?

Jeho paměť pohodlně pokrývá středně velké modely, které většina lidí spouští místně, a jeho šířka pásma je dostatečně vysoká, aby generovala text rychleji, než většina lidí čte. Celkem běží 502 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

GeForce RTX 4090— může spustit model, který se nevejde do jeho VRAM?

Offloading mimo karty 24 GB je možné a obvykle falešná úspora: část systémové paměti je dostatečně pomalá, aby dominovala výsledku.

Byly by dvě GeForce RTX 4090 Karty budou dvakrát rychlejší?

Ne. Druhá karta zdvojnásobí VRAM na 48 GB kombinované paměti, přibližně ve stejné generační rychlosti jako jeden.

GeForce RTX 4090— které AI modely může spustit?

502 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 4090— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je Mixtral 8x7B na 46.7B parametry, komprimované na Q3_K_M. Generuje přibližně 89.5 tokens za sekundu a potřebuje asi 21.0 GB VRAM karty.

GeForce RTX 4090— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 428 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 4090— může to běžet 7B modely?

Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 63.9 tokenů za sekundu

GeForce RTX 4090— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q8_0, používající přibližně 17.5 GB paměti a generování kolem 149 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