Vypočítejte TPS modelu B200 na místních AI modelech

NVIDIA 180 GB HBM3e 8,000 GB/s January 2024

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

633 modely, které může spustit

679 modely v našem katalogu dohromady

Největší model, který podporuje

GLM-4.7

358B · Q3_K_M · 142 tok/s

Nejrychlejší model

Gemma 3 QAT 1B

3,388 tok/s · 1B

Které AI modely mohou běžet na a B200?

Nastavte vstupy, přečtěte si odpověď

Více kontextu znamená více paměti pro cache konverzace. Rychlost je pro novou konverzaci a nemění se s tímto nastavením..

Skrývá modely, které by se vešly pouze tím, že by byly komprimovány pod tuto úroveň.

633 modely odpovídají

Vypočítávání
Kvantisace Pohodlné
3,388 tok/s

2,880–4,066

Gemma 3 1B 1B Mar 2025 1.8 GB 33k tokeny Q8_0 Pohodlný
3,388 tok/s

2,880–4,066

Gemma 3 QAT 1B 1B Apr 2025 1.8 GB 33k tokeny Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

HGRN 1B (WT 103) ≈ 1B Nov 2023 1.8 GB 131k tokeny ? Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

LLama 3..2 Typhoon 2 1B ≈ 1B Dec 2024 1.8 GB 131k tokeny ? Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

OLMo-1B ≈ 1B Feb 2024 1.8 GB 131k tokeny ? Q8_0 Pohodlný
3,388 tok/s

2,033–5,421 · nízká důvěra

Pythia-1b ≈ 1B Apr 2023 1.8 GB 131k tokeny ? Q8_0 Pohodlný
3,137 tok/s

1,882–5,020 · nízká důvěra

OpenELM-1.1B ≈ 1.1B May 2024 1.9 GB 131k tokeny ? Q8_0 Pohodlný
3,080 tok/s

1,848–4,928 · nízká důvěra

DeciCoder-1B ≈ 1.1B Aug 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
3,080 tok/s

1,848–4,928 · nízká důvěra

SantaCoder ≈ 1.1B Jan 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
3,080 tok/s

1,848–4,928 · nízká důvěra

TinyLlama-1.1B (1T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
3,080 tok/s

1,848–4,928 · nízká důvěra

TinyLlama-1.1B (3T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokeny ? Q8_0 Pohodlný
2,824 tok/s

1,694–4,518 · nízká důvěra

EXAONE 4.0 (1.2B) ≈ 1.2B Jul 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
2,824 tok/s

1,694–4,518 · nízká důvěra

MinerU2.5 ≈ 1.2B Sep 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
2,824 tok/s

1,694–4,518 · nízká důvěra

Pleias 1.0 1.2B ≈ 1.2B Dec 2024 2.0 GB 131k tokeny ? Q8_0 Pohodlný
2,824 tok/s

1,694–4,518 · nízká důvěra

Pleias-RAG-1B ≈ 1.2B Apr 2025 2.0 GB 131k tokeny ? Q8_0 Pohodlný
2,755 tok/s

2,341–3,306

Llama 3.2 1B 1.2B Sep 2024 2.2 GB 131k tokeny Q8_0 Pohodlný
2,716 tok/s

1,630–4,346 · nízká důvěra

MiniCPM-1.2B ≈ 1.2B Jun 2024 2.0 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

DeepSeek Coder 1.3B ≈ 1.3B Jan 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

DeepSeek-VL-1.3B ≈ 1.3B Mar 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

DigiRL ≈ 1.3B Jun 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

GLA Transformer 1.3B ≈ 1.3B Aug 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

Janus 1.3B ≈ 1.3B Oct 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

Kosmos-2.5 ≈ 1.3B Aug 2024 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · nízká důvěra

Otter ≈ 1.3B May 2023 2.1 GB 131k tokeny ? Q8_0 Pohodlný
2,606 tok/s

1,564–4,170 · 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

B200 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
180 GB
Šířka pásma VRAM
8,000 GB/s
Typ paměti
HBM3e
Šířka sběrnice paměti
8,192 bit
Frekvence paměti
1.95 GHz

Čip

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

Grafický procesor
GB100
Architektura
Blackwell
Generace
Server Blackwell(Bxx)
Foundry
TSMC
Velikost procesu
5 nm
Tranzistory
104 billion
Uvolněno
1 January 2024

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
700 MHz
Zvýšená frekvence
1.97 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
18,944
Jednotky pro mapování textur
592
Renderovací výstupní jednotky
24
Streaming multiprocessory
148
Tensor jádra
592
L1 cache
250 KB
L2 cache
50 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)
1,191.2 TFLOPS
Jednoduchá přesnost (FP32)
74.5 TFLOPS
Dvojitá přesnost (FP64)
37.2 TFLOPS
Rychlost pixelů
47 GPixel/s
Rychlost textury
1,163 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)
1,000 W
Navrhovaný zdroj napájení
1,400 W
Rozhraní sběrnice
PCIe 5.0 x16
Šířka slotu
SXM Module

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
10.0
OpenCL
3.0

Seznamy

Kde koupit GPU B200

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

Paměť: specifikace, která rozhoduje o všem

Paměť

180 GB

Šířka pásma

8,000 GB/s

Největší model

GLM-4.7

B200 drží 180 GB z HBM3e. To dává do třídy hardwaru, který pojme největší OPEN WEIGHT modely, aniž by je rozděloval mezi stroje. Inference RUNTIME může dosáhnout přibližně 162 GB.

Šířka pásma paměti dosahuje 8,000 GB/s napříč autobusu 8,192 bitů. To je na vrcholu toho, co existuje. Vzhledem k tomu, že každý token znamená přečíst celý model z VRAM jednou, téměř přímo se to překládá do rychlosti generování — tato karta je dostatečně bohatá na šířku pásma, takže velikost modelu přestává být omezujícím faktorem dlouho předtím, než se na to dostane sběrnice.

Šířka pásma je frekvence krát šířka sběrnice, a tato karta taktí svou paměť na 1.95 GHz. Je to důvod, proč počty jader tak špatně předpovídají rychlost generace.

Praktický strop je GLM-4.7, 358B, komprimováno na Q3_K_M a generováním kolem 142 tokenů za sekundu

Čip a jak byl vyroben

B200 je postaven na grafickém procesoru GB100, používající architekturu Blackwell z NVIDIA, jako součást generování Server Blackwell(Bxx).

Čip je vyráběn společností TSMC, na procesu 5 nm, držení 104 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 2024, hrubě 2.5803837720482 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

1,191.2 TFLOPS

FP64

37.2 TFLOPS

Tensor jádra

592

Na papíře B200 dosahuje 1,191.2 TFLOPS při poloviční přesnosti, a 74.5 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 37.2 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 592 Tensor jádra napříč 148 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 700 MHz k zvýšení 1.97 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

B200 má L1 cache 250 KB, podporováno L2 cache 50 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 18,944 Stínovací jednotky, 592 Jednotky pro mapování textur, a 24 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

1,000 W

B200 je ohodnocen na 1,000 W, a navrhovaný systémový zdroj energie je 1,400 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 sxm module. 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 5.0 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 B200

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

  1. 01 Solar Open2 250B 250.3B · Q4_K_M · Jun 2026 174 tok/s
  2. 02 DeepSeek-V4-Flash 284B · Q4_K_M · Apr 2026 153 tok/s
  3. 03 Tencent Hy3 preview 295B · Q4_K_M · Apr 2026 147 tok/s
  4. 04 GLM-4.7 358B · Q3_K_M · Dec 2025 142 tok/s
  5. 05 MiMo-V2-Flash 309B · Q3_K_M · Dec 2025 29.6 tok/s
  6. 06 ERNIE-4.5-300B-A47B 300B · IQ4_XS · Jun 2025 154 tok/s
  7. 07 Llama Nemotron Ultra 253B 253B · Q4_K_M · Mar 2025 30.9 tok/s
  8. 08 Ling-Plus ("Bailing") 290B · IQ4_XS · Mar 2025 28.7 tok/s
  9. 09 DeepSeek-V2.5 236B · Q5_K_M · Sep 2024 142 tok/s
  10. 10 Grok-1 314B · Q3_K_M · Nov 2023 29.1 tok/s

Nejrychlejší AI modely na a B200

Kde tato KARTA produkuje TOKENY nejrychleji. Menší modely zde dominují, protože generování každého TOKENU znamená přečtení celého modelu z MEMORY jednou..

  1. 01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 3,388 tok/s
  2. 02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 3,388 tok/s
  3. 03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 3,388 tok/s
  4. 04 OLMo-1B 1B · Q8_0 · 1.8 GB 3,388 tok/s
  5. 05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 3,388 tok/s
  6. 06 Pythia-1b 1B · Q8_0 · 1.8 GB 3,388 tok/s
  7. 07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 3,137 tok/s
  8. 08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 3,080 tok/s
  9. 09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 3,080 tok/s
  10. 10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 3,080 tok/s

Krok za krokem

Jak vypočítat tokeny za sekundu AI modelu B200

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.

  1. 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 633 modely, které tato karta spouští. Hledání zúží seznam podle názvu nebo podle velikosti.

  2. 02

    Přizpůsobte kontext své práci

    Delší konverzace vyžadují paměť nad rámec váhy. 180 GB to je často rozdíl mezi modelem, který se vejde, a tím, který se nevejde.

  3. 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.

  4. 04

    Vezměte rozsah jako odpověď

    Rychlosti přicházejí s chybovými pruhy z nějakého důvodu. Nejlepší případ zde je 3,388 tok/s na Gemma 3 QAT 1B. Stejná karta a model se liší o třicet až padesát procent mezi inference runtimy.

  5. 05

    Zkontrolujte volný prostor, než se rozhodnete

    Tight fit běží, ale nedává žádný prostor pro zvýšení kontextu později; comfortable má rezervu. Sloupec paměti ukazuje, co každý model potřebuje proti dostupnému 180 GB.

  6. 06

    Zkontrolujte stejný model z druhé strany

    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 B200.

Odpovědi

B200 — běžné otázky

01

B200— jaké jsou její TFLOPS?

Je hodnocena na 1,191.2 TFLOPS při poloviční přesnosti a 74.5 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.

02

B200— kolik má tensorových jader?

Má 592 Tensor jádra napříč 148 Streaming multiprocessory. Zrychlují maticovou aritmetiku, ze které je postavený TRANSFORMER, což hlavně urychluje zpracování dlouhého POŽADAVKU spíše než produkci odpovědi.

03

B200— Podporuje to CUDA?

Ano. Hláší CUDA výpočetní schopnost 10.0. Schopnost 7.0 a výše má tensorové jádra, která moderní inference software používá; pod tímto se přechází na pomalejší kódové cesty pro kvantizované modely.

04

B200— jaké rozhraní sběrnice používá?

Používá PCIe 5.0 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.

05

B200— Je to dobré pro běh místních AI modelů?

Jeho paměť je dostatečně velká pro modely, které většina desktopového hardwaru nedokáže dosáhnout, a její šířka pásma ji řadí mezi nejrychlejší hardware dostupný pro generaci. Celkově běží 633 modelů, které sledujeme. Zda je to dostatečné, závisí zcela na tom, který model chcete — tabulka výše na to přímo odpovídá.

06

B200— může spustit model, který se nevejde do jeho VRAM?

Pouze částečně. Vrstvy nad kartou GPU 180 GB je možné a obvykle falešná úspora: část systémové paměti je dostatečně pomalá, aby dominovala výsledku.

07

Byly by dvě B200 Karty budou dvakrát rychlejší?

Spojení jich kupuje rezervu spíše než tempo: 360 GB které vám umožňují držet modely, které by samostatně neudržely, ale generace se takto nedělí. Tyto údaje popisují jednu kartu.

08

B200— které AI modely může spustit?

633 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.

09

B200— jaký je největší AI model, který může spustit?

Největší model v našem katalogu, který se vejde, je GLM-4.7 na 358B parametry, komprimované na Q3_K_M. Generuje přibližně 142 tokens za sekundu a potřebuje asi 155.2 GB VRAM karty.

10

B200— kolik tokenů za sekundu produkuje?

Závisí to na modelu. Nejrychlejší model, který zde sledujeme, je Gemma 3 QAT 1B přibližně 3,388 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.

11

B200— může to běžet 7B modely?

Ano. Například běží Multi-Token Prediction 7B na Q8_0, používající přibližně 7.9 GB paměti a generování kolem 506 tokenů za sekundu

12

B200— může to běžet 13B modely?

Ano. Například běží DeepSeekMoE-16B na Q8_0, používající přibližně 17.5 GB paměti a generování kolem 1,176 tokenů za sekundu

13

B200— 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 672 tokenů za sekundu

14

B200— může to běžet 70B modely?

Ano. Například běží Qwen3-Coder-Next na Q8_0, používající přibližně 80.7 GB paměti a generování kolem 235 tokenů za sekundu

15

B200— kolik má paměti?

Tato karta má 180 GB z HBM3e. Třetina je rezervována pro inference runtime a ovladač, což zbývá přibližně 162 GB dostupný pro model a jeho konverzaci.

16

B200— jaká je její šířka pásma VRAM?

Šířka pásma paměti dosahuje 8,000 GB/s napříč autobusu 8,192 bitů. Toto je jediný nejlepší prediktor toho, jak rychle generuje text, protože vyprodukování každého tokenu znamená přečíst celý model z VRAM jednou.

17

B200— Jaký typ paměti používá?

Používá HBM3e častěji než 1.95 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.

18

B200— Kdo to vyrábí?

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

19

B200— Kdy byl vydán?

Bylo to vydáno v January 2024.

20

B200— kolik energie to spotřebovává?

Hodnocená výkonová karta je 1,000 W, a navrhovaný systémový zdroj energie je 1,400 W. Generování textu vyžaduje vysokou zátěž v intervalech a mezi požadavky nepracuje, takže průměrná spotřeba během pracovního sezení je obvykle výrazně pod hodnoceným číslem.

21

B200— kolik má cache?

L1 cache je 250 KB, a L2 cache je 50 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.

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