Vypočítejte TPS modelu RTX 5000 Embedded Ada Generation X2 na místních AI modelech

NVIDIA 16 GB GDDR6 576 GB/s March 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

432 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

Nemotron 3-Nano-30B-A3B

31.6B · Q3_K_M · 116 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

244 tok/s · 1B

Které AI modely mohou běžet na a RTX 5000 Embedded Ada Generation X2?

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

432 modely odpovídají

Vypočítávání

						Kvantisace	Pohodlné
244 tok/s 207–293	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
244 tok/s 207–293	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Pohodlný
244 tok/s 146–390 · nízká důvěra	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
244 tok/s 146–390 · nízká důvěra	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
244 tok/s 146–390 · nízká důvěra	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
244 tok/s 146–390 · nízká důvěra	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Pohodlný
226 tok/s 136–361 · nízká důvěra	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
222 tok/s 133–355 · nízká důvěra	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
222 tok/s 133–355 · nízká důvěra	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
222 tok/s 133–355 · nízká důvěra	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
222 tok/s 133–355 · nízká důvěra	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Pohodlný
203 tok/s 122–325 · nízká důvěra	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
203 tok/s 122–325 · nízká důvěra	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
203 tok/s 122–325 · nízká důvěra	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
203 tok/s 122–325 · nízká důvěra	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
198 tok/s 169–238	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Pohodlný
196 tok/s 117–313 · nízká důvěra	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · nízká důvěra	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Pohodlný
188 tok/s 113–300 · 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 5000 Embedded Ada Generation X2 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: 16 GB
Šířka pásma VRAM: 576 GB/s
Typ paměti: GDDR6
Šířka sběrnice paměti: 256 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: AD103
Architektura: Ada Lovelace
Generace: Ada-MW(x000A)
Foundry: TSMC
Velikost procesu: 5 nm
Tranzistory: 45.9 billion
Hustota tranzistorů: 121,100 K/mm²
Velikost čipu: 379 mm²
Uvolněno: 21 March 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: 930 MHz
Zvýšená frekvence: 1.68 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: 9,728
Jednotky pro mapování textur: 304
Renderovací výstupní jednotky: 112
Streaming multiprocessory: 76
Tensor jádra: 304
Jádra ray tracing: 76
L1 cache: 128 KB
L2 cache: 64 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): 32.7 TFLOPS
Jednoduchá přesnost (FP32): 32.7 TFLOPS
Dvojitá přesnost (FP64): 510.7 GFLOPS
Rychlost pixelů: 188 GPixel/s
Rychlost textury: 511 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): 150 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 RTX 5000 Embedded Ada Generation X2

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

16 GB

Šířka pásma

576 GB/s

Největší model

Nemotron 3-Nano-30B-A3B

RTX 5000 Embedded Ada Generation X2 nese 16 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 14.4 GB.

Šířka pásma paměti dosahuje 576 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 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 Nemotron 3-Nano-30B-A3B, 31.6B, komprimováno na Q3_K_M a generováním kolem 116 tokenů za sekundu

Čip a jak byl vyroben

RTX 5000 Embedded Ada Generation X2 je postaven na grafickém procesoru AD103, používající architekturu Ada Lovelace z NVIDIA, jako součást generování Ada-MW(x000A).

Čip je vyráběn společností TSMC, na procesu 5 nm, s kostkou o rozměrech 379 mm², držení 45.9 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 March 2023, hrubě 3.3640695001517 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

32.7 TFLOPS

FP64

510.7 GFLOPS

Tensor jádra

304

Na papíře RTX 5000 Embedded Ada Generation X2 dosahuje 32.7 TFLOPS při poloviční přesnosti, a 32.7 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 510.7 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 304 Tensor jádra napříč 76 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 930 MHz k zvýšení 1.68 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 5000 Embedded Ada Generation X2 má L1 cache 128 KB, podporováno L2 cache 64 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 9,728 Stínovací jednotky, 304 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

150 W

RTX 5000 Embedded Ada Generation X2 je ohodnocen na 150 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 RTX 5000 Embedded Ada Generation X2

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

01 North Mini Code 30B · Q3_K_M · Jun 2026 122 tok/s
02 Qwen 3.6-27B 27B · Q3_K_M · Apr 2026 24.4 tok/s
03 Qwen3.5-27B 27B · Q3_K_M · Feb 2026 24.4 tok/s
04 Nemotron 3-Nano-30B-A3B 31.6B · Q3_K_M · Dec 2025 116 tok/s
05 Nomos 1 30B · Q3_K_M · Dec 2025 122 tok/s
06 C2S-Scale 27B · Q3_K_M · Oct 2025 24.4 tok/s
07 Gemma-SEA-LION-v4-27B-IT 27B · Q3_K_M · Aug 2025 24.4 tok/s
08 ERNIE-4.5-VL-28B-A3B 28B · Q3_K_M · Jun 2025 131 tok/s
09 Qwen3-30B-A3B 30B · Q3_K_M · Apr 2025 122 tok/s
10 Gemma 3 QAT 27B 27B · Q3_K_M · Apr 2025 24.4 tok/s

Nejrychlejší AI modely na a RTX 5000 Embedded Ada Generation X2

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 244 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 244 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 244 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 244 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 244 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 244 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 226 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 222 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 222 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 222 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu RTX 5000 Embedded Ada Generation X2

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

Model: AI model. Spuštění AI modelu. Nevejde se do GPU VRAM. Těsný. Pohodlný. Open-source AI model. V naší databázi. Nově vydané GPU. GPU VRAM/bandwidth. GPU karta. Kontextová délka.

Tabulka uvádí 432 modely, které tato karta může spustit. Hledejte podle názvu nebo podle velikosti — zadání 27b odpovídá počtu parametrů, i když se v názvu nikdy neuvádí.
02

Nastavte délku kontextu, kterou skutečně použijete

Delší konverzace vyžadují paměť nad rámec váhy. 16 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.
03

Připněte porovnání na jednu úroveň kvality

Kompresce je to, co umožňuje větším modelům se vejít. Kontrola kvality vyřadí jakýkoli model, který vyžaduje více toho, než jste ochotni poskytnout.
04

Přečtěte si rychlost a rozsah

Čísla jsou vypočítaná, ne měřená. Nejrychlejší výsledek na této kartě je 244 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

Těsné znamená, že to dnes funguje; pohodlné znamená, že to stále funguje, když se konverzace rozrůstá. Porovnejte, co každý model potřebuje, s dostupným. 16 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 RTX 5000 Embedded Ada Generation X2.

Odpovědi

RTX 5000 Embedded Ada Generation X2 — běžné otázky

RTX 5000 Embedded Ada Generation X2— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q6_K, používající přibližně 13.7 GB paměti a generování kolem 123 tokenů za sekundu

RTX 5000 Embedded Ada Generation X2— může to běžet 30B modely?

Ano. Například běží ERNIE-4.5-VL-28B-A3B na Q3_K_M, používající přibližně 12.9 GB paměti a generování kolem 131 tokenů za sekundu

RTX 5000 Embedded Ada Generation X2— kolik má paměti?

Tato karta má 16 GB z GDDR6. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 14.4 GB dostupný pro model a jeho konverzaci.

RTX 5000 Embedded Ada Generation X2— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 576 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 5000 Embedded Ada Generation X2— 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.

RTX 5000 Embedded Ada Generation X2— Kdo to vyrábí?

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

RTX 5000 Embedded Ada Generation X2— Kdy byl vydán?

Bylo to vydáno v March 2023.

RTX 5000 Embedded Ada Generation X2— kolik energie to spotřebovává?

Hodnocená výkonová karta je 150 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 5000 Embedded Ada Generation X2— kolik má cache?

L1 cache je 128 KB, a L2 cache je 64 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 5000 Embedded Ada Generation X2— jaké jsou její TFLOPS?

Je hodnocena na 32.7 TFLOPS při poloviční přesnosti a 32.7 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 5000 Embedded Ada Generation X2— kolik má tensorových jader?

Má 304 Tensor jádra napříč 76 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

RTX 5000 Embedded Ada Generation X2— 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.

RTX 5000 Embedded Ada Generation X2— 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 5000 Embedded Ada Generation X2— 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 432 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

RTX 5000 Embedded Ada Generation X2— může spustit model, který se nevejde do jeho VRAM?

Offloading mimo karty 16 GB je možné a obvykle falešná úspora: část systémové paměti je dostatečně pomalá, aby dominovala výsledku.

Byly by dvě RTX 5000 Embedded Ada Generation X2 Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 32 GB kombinované paměti, přibližně ve stejné generační rychlosti jako jeden.

RTX 5000 Embedded Ada Generation X2— které AI modely může spustit?

432 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 5000 Embedded Ada Generation X2— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je Nemotron 3-Nano-30B-A3B na 31.6B parametry, komprimované na Q3_K_M. Generuje přibližně 116 tokens za sekundu a potřebuje asi 14.4 GB VRAM karty.

RTX 5000 Embedded Ada Generation X2— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 244 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 5000 Embedded Ada Generation X2— může to běžet 7B modely?

Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 36.4 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