Vypočítejte TPS modelu GeForce RTX 4080 Max-Q na místních AI modelech

NVIDIA 12 GB GDDR6 432 GB/s January 2023

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

396 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

ERNIE-4.5-21B-A3B

21B · Q3_K_M · 131 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

183 tok/s · 1B

Které AI modely mohou běžet na a GeForce RTX 4080 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

396 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
183 tok/s 156–220	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
183 tok/s 156–220	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
183 tok/s 110–293 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
183 tok/s 110–293 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
183 tok/s 110–293 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
183 tok/s 110–293 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
169 tok/s 102–271 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
166 tok/s 100–266 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
152 tok/s 91–244 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
149 tok/s 126–179	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
147 tok/s 88–235 · nízká důvěra	DeepSeekMoE-16B	16B	Jan 2024	10.0 GB	4k tokeny	Q4_K_M	Těsný
147 tok/s 88–235 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
141 tok/s 84–225 · nízká důvěra	Otter ≈	1.3B	May 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 4080 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: 12 GB
Šířka pásma VRAM: 432 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 192 bit
Frekvence paměti: 2.25 GHz

Čip

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

Grafický procesor: AD104
Architektura: Ada Lovelace
Generace: GeForce 40 Mobile
Foundry: TSMC
Velikost procesu: 5 nm
Tranzistory: 35.8 billion
Hustota tranzistorů: 121,800 K/mm²
Velikost čipu: 294 mm²
Uvolněno: 3 January 2023

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: 795 MHz
Zvýšená frekvence: 1.35 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: 7,424
Jednotky pro mapování textur: 232
Renderovací výstupní jednotky: 80
Streaming multiprocessory: 58
Tensor jádra: 232
Jádra ray tracing: 58
L1 cache: 128 KB
L2 cache: 48 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): 20 TFLOPS
Jednoduchá přesnost (FP32): 20 TFLOPS
Dvojitá přesnost (FP64): 313.2 GFLOPS
Rychlost pixelů: 108 GPixel/s
Rychlost textury: 313 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): 60 W
Napájecí konektory: None
Rozhraní sběrnice: PCIe 4.0 x16
Šířka slotu: IGP

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 4080 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

12 GB

Šířka pásma

432 GB/s

Největší model

ERNIE-4.5-21B-A3B

GeForce RTX 4080 Max-Q nese 12 GB z GDDR6. To dosahuje pohodlně do malých a středně velkých modelů, i když ty největší zůstávají mimo dosah bez jejich rozdělení. Přetížení ovladače zanechává přibližně 10.8 GB.

Šířka pásma paměti dosahuje 432 GB/s napříč autobusu 192 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 2.25 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 ERNIE-4.5-21B-A3B, 21B, komprimováno na Q3_K_M a generováním kolem 131 tokenů za sekundu

Čip a jak byl vyroben

GeForce RTX 4080 Max-Q je postaven na grafickém procesoru AD104, používající architekturu Ada Lovelace z NVIDIA, jako součást generování GeForce 40 Mobile.

Čip je vyráběn společností TSMC, na procesu 5 nm, s kostkou o rozměrech 294 mm², držení 35.8 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 2023, hrubě 3.5753499924256 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

20 TFLOPS

FP64

313.2 GFLOPS

Tensor jádra

232

Na papíře GeForce RTX 4080 Max-Q dosahuje 20 TFLOPS při poloviční přesnosti, a 20 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 313.2 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 232 Tensor jádra napříč 58 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 795 MHz k zvýšení 1.35 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 4080 Max-Q má L1 cache 128 KB, podporováno L2 cache 48 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 7,424 Stínovací jednotky, 232 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

60 W

GeForce RTX 4080 Max-Q je ohodnocen na 60 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 igp. 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 4080 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 ERNIE-4.5-21B-A3B 21B · Q3_K_M · Jun 2025 131 tok/s
02 GigaChat Lite (GigaChat-20B-A3B) 20B · Q3_K_M · Dec 2024 137 tok/s
03 InternLM2.5 20B · Q3_K_M · Aug 2024 24.7 tok/s
04 Granite 20B 20B · Q3_K_M · May 2024 24.7 tok/s
05 InternLM2-20B 20B · Q3_K_M · Jan 2024 24.7 tok/s
06 CogAgent 18B · IQ4_XS · Dec 2023 25.0 tok/s
07 SPHINX (Llama 2 13B) 19.9B · Q3_K_M · Nov 2023 24.8 tok/s
08 CogVLM-17B 17B · IQ4_XS · Nov 2023 26.4 tok/s
09 Flan UL2 19.5B · Q3_K_M · Mar 2023 25.3 tok/s
10 Palmyra Large 20B 20B · Q3_K_M · Mar 2023 24.7 tok/s

Nejrychlejší AI modely na a GeForce RTX 4080 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 183 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 183 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 183 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 183 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 183 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 183 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 169 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 166 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 166 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 166 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu GeForce RTX 4080 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

Hledejte model, který chcete

Tabulka uvádí 396 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.
02

Nastavte délku kontextu, kterou skutečně použijete

Delší konverzace vyžadují paměť nad rámec váhy. 12 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.
03

Nastavte minimální kvalitu, pokud ji potřebujete.

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

Vezměte rozsah jako odpověď

Čísla jsou vypočítaná, ne měřená. Nejrychlejší výsledek na této kartě je 183 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 12 GB.
06

Ověření proti jinému hardwaru

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 4080 Max-Q.

Odpovědi

GeForce RTX 4080 Max-Q — běžné otázky

GeForce RTX 4080 Max-Q— kolik má cache?

L1 cache je 128 KB, a L2 cache je 48 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 4080 Max-Q— jaké jsou její TFLOPS?

Je hodnocena na 20 TFLOPS při poloviční přesnosti a 20 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 4080 Max-Q— kolik má tensorových jader?

Má 232 Tensor jádra napříč 58 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

GeForce RTX 4080 Max-Q— 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 4080 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.

GeForce RTX 4080 Max-Q— Je to dobré pro běh místních AI modelů?

Jeho paměť pokrývá malé a středně velké modely, přesto jsou největší mimo dosah a jeho šířka pásma poskytuje použitelné, i když nespektakulární, rychlosti generování. Celkově běží 396 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

GeForce RTX 4080 Max-Q— může spustit model, který se nevejde do jeho VRAM?

Může být rozdělen, přičemž přetečení je uchováváno v systémové MEMORY za hranicemi karty. 12 GB táhne to celé dolů a žádná z postav na této stránce to nepředpokládá.

Byly by dvě GeForce RTX 4080 Max-Q Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 24 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.

GeForce RTX 4080 Max-Q— které AI modely může spustit?

396 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 4080 Max-Q— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je ERNIE-4.5-21B-A3B na 21B parametry, komprimované na Q3_K_M. Generuje přibližně 131 tokens za sekundu a potřebuje asi 10.1 GB VRAM karty.

GeForce RTX 4080 Max-Q— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 183 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 4080 Max-Q— může to běžet 7B modely?

Ano. Například běží DeepSeek Coder 6.7B na Q6_K, používající přibližně 9.9 GB paměti a generování kolem 39.7 tokenů za sekundu

GeForce RTX 4080 Max-Q— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q4_K_M, používající přibližně 10.0 GB paměti a generování kolem 147 tokenů za sekundu

GeForce RTX 4080 Max-Q— kolik má paměti?

Tato karta má 12 GB z GDDR6. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 10.8 GB dostupný pro model a jeho konverzaci.

GeForce RTX 4080 Max-Q— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 432 GB/s napříč autobusu 192 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.

GeForce RTX 4080 Max-Q— Jaký typ paměti používá?

Používá GDDR6 častěji než 2.25 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 4080 Max-Q— Kdo to vyrábí?

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

GeForce RTX 4080 Max-Q— Kdy byl vydán?

Bylo to vydáno v January 2023.

GeForce RTX 4080 Max-Q— kolik energie to spotřebovává?

Hodnocená výkonová karta je 60 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.

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