Berechne die TPS des L40 CNX auf lokalen KI-Modellen
Jedes Modell in unserem Katalog wurde anhand dieser Karte für das Kontextlängen und die Mindestqualität, die Sie wählen, bewertet. Die Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite dieser Karte und der Größe jedes Modells nach der Kompression..
Berechnet für diese Karte
721 Modelle in unserem Katalog insgesamt
Das größte Modell, das es hält
Mixtral 8x7B
46.7B · Q3_K_M · 76.5 tok/s
Schnellstes Modell
Gemma 3 QAT 1B
366 tok/s · 1B
Welche KI-Modelle können auf einem L40 CNX?
Setze die Eingaben, lies die Antwort
Mehr Kontext bedeutet mehr Speicher für den Gesprächs-Cache. Die Geschwindigkeit ist für ein frisches Gespräch und ändert sich nicht mit dieser Einstellung..
Blendet Modelle aus, die nur passen würden, wenn sie unter diesen Punkt komprimiert werden..
532 Modelle passen
Berechnung| Quantisierung | Passend | ||||||
|---|---|---|---|---|---|---|---|
|
366
tok/s
311–439 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k Token | Q8_0 | Komfortabel |
|
366
tok/s
311–439 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k Token | Q8_0 | Komfortabel |
|
366
tok/s
220–585 · niedrige Vertrauenswürdigkeit |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
366
tok/s
220–585 · niedrige Vertrauenswürdigkeit |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
366
tok/s
220–585 · niedrige Vertrauenswürdigkeit |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
366
tok/s
220–585 · niedrige Vertrauenswürdigkeit |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
339
tok/s
203–542 · niedrige Vertrauenswürdigkeit |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
333
tok/s
200–532 · niedrige Vertrauenswürdigkeit |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
333
tok/s
200–532 · niedrige Vertrauenswürdigkeit |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
333
tok/s
200–532 · niedrige Vertrauenswürdigkeit |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
333
tok/s
200–532 · niedrige Vertrauenswürdigkeit |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
305
tok/s
183–488 · niedrige Vertrauenswürdigkeit |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
305
tok/s
183–488 · niedrige Vertrauenswürdigkeit |
LFM2-1.2B ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
305
tok/s
183–488 · niedrige Vertrauenswürdigkeit |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
305
tok/s
183–488 · niedrige Vertrauenswürdigkeit |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
305
tok/s
183–488 · niedrige Vertrauenswürdigkeit |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
298
tok/s
253–357 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k Token | Q8_0 | Komfortabel |
|
293
tok/s
176–469 · niedrige Vertrauenswürdigkeit |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
281
tok/s
169–450 · niedrige Vertrauenswürdigkeit |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..
Aufgezeichnet
L40 CNX Volle Spezifikation
Alles auf Datei für dieses Board, geordnet danach, wie sehr es das Ausführen eines Sprachmodells beeinflusst, anstatt wie es in einem Datenblatt aufgeführt wäre. MEMORY kommt zuerst, weil es das Ergebnis bestimmt; der Rest ist CONTEXT..
Speicher
Die beiden Spezifikationen, die entscheiden, was diese CARD ausführen kann und wie schnell. Die Kapazität legt fest, welche Modelle passen; die Bandbreite bestimmt, wie viele Tokens pro Sekunde sie produzieren, sobald sie passen.
- Speicherkapazität
- 24 GB
- Speicherbandbreite
- 864 GB/s
- Speichertype
- GDDR6
- Speicherdatenbreite
- 384 bit
- Speichertakt
- 2.25 GHz
Der Chip
Welcher Prozessor sich auf der Platine befindet und wie er hergestellt wurde. Eine kleinere Prozessgröße bedeutet allgemein mehr Leistung bei gleicher Energie.
- Grafikprozessor
- AD102
- Architektur
- Ada Lovelace
- Generierung
- Server Ada(Lxx)
- Gießerei
- TSMC
- Prozessgröße
- 5 nm
- Transistoren
- 76.3 billion
- Transistordichte
- 125,300 K/mm²
- Die Größe
- 609 mm²
- Veröffentlicht
- 13 October 2022
Taktfrequenzen
Wie schnell der Prozessor läuft. Hier weit weniger wert als bei einem Gaming-Benchmark: Die Textgenerierung ist durch die Speicherbandbreite begrenzt, sodass eine höhere Taktfrequenz das Ergebnis kaum verbessert.
- Basis-Takt
- 1.01 GHz
- Boost-Takt
- 2.48 GHz
Verarbeitungseinheiten
Was der Chip enthält. Diese treiben die Grafikleistung und sind hauptsächlich für die Verarbeitung eines langen Prompts wichtig, statt für die Produktion der Antwort.
- Shader-Einheiten
- 18,176
- Texturzuordnungseinheiten
- 568
- Render-Ausgabeeinheiten
- 192
- Streaming-Multiprozessoren
- 142
- Tensor-Kerne
- 568
- Strahlverfolgungskerne
- 142
- L1-Cache
- 128 KB
- L2-Cache
- 48 MB
Theoretische Leistung
Die veröffentlichten Spitzenarithmetikraten für die Karte. Dies sind Obergrenzen, die keine echte Arbeitslast erreicht, und das Generieren von Text erreicht nur einen kleinen Bruchteil davon, da es durch den Speicher und nicht durch die Arithmetik limitiert ist.
- Halbpräzision (FP16)
- 90 TFLOPS
- Einfache Genauigkeit (FP32)
- 90 TFLOPS
- Doppelte Genauigkeit (FP64)
- 1.4 TFLOPS
- Pixelrate
- 475 GPixel/s
- Texturrate
- 1,406 GTexel/s
Die Platine
Was erforderlich ist, um die KArte physisch zu installieren und mit Strom zu versorgen — die praktischen Einschränkungen, die entscheiden, ob sie in die Maschine passt, die Sie bereits besitzen.
- Leistungsaufnahme (TDP)
- 300 W
- Vorgeschlagene Stromversorgung
- 700 W
- Stromanschlüsse
- 1x 16-pin
- Bus-Schnittstelle
- PCIe 4.0 x16
- Slot-Breite
- Dual-slot
- Dimensionen
- 267 mm
- Anzeigeausgaben
- 1x HDMI 2.1, 3x DisplayPort 1.4a
Software-Unterstützung
Welche Grafik- und Rechen-Schnittstellen die Karte unterstützt. CUDA-Rechenfähigkeit betrifft die Inferenz: unter 7.0 gibt es keine Tensor-Kerne, und moderne Inferenz-Software greift auf langsamere Code-Pfade zurück.
- CUDA Berechnungsfähigkeit
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Shader-Modell
- 6.8
Auflistungen
Wo man ein L40 CNX
Derzeit listet kein Anbieter diese Karte. Die Angebote stammen von Anbietern, die sie hier direkt veröffentlichen. — Durchsuche das Anbieter-Verzeichnis zu sehen, wer was verkauft.
Was die Zahlen bedeuten
Speicher: die Spezifikation, die alles entscheidet
Speicher
24 GB
Bandbreite
864 GB/s
Größtes Modell
Mixtral 8x7B
L40 CNX trägt 24 GB von GDDR6. Das deckt die mittelgroßen Modelle ab, die die meisten Leute tatsächlich ausführen. Sobald die Laufzeit und der Treiber ihren Arbeitsbereich reservieren, bleibt ungefähr so viel übrig: 21.6 GB.
Der Speicherbandbreite erreicht 864 GB/s über einen Bus von 384 Bits. Das Generieren eines Tokens bedeutet, jedes Gewicht einmal zu lesen, sodass diese Zahl das Tempo mehr bestimmt als jede andere Zahl hier, und auf diesem Niveau kommt Text schneller an, als die meisten Menschen lesen.
Das kommt von einem MEMORY CLOCK von 2.25 GHz. Das Verbreitern des Busses und das Anheben der Taktfrequenz sind die beiden Hebel, die ein Hersteller hat, weshalb eine Karte mit unauffälligen Kernen trotzdem schnell erzeugen kann.
Die praktische Obergrenze ist Mixtral 8x7B, 46.7B, komprimiert auf Q3_K_M und generieren etwa 76.5 Token pro Sekunde
Der Chip und wie er gebaut wurde
L40 CNX ist auf dem Grafikprozessor aufgebaut AD102, die Architektur verwenden Ada Lovelace von NVIDIA, als Teil der Generierung Server Ada(Lxx).
Der Chip wird hergestellt von TSMC, einem Prozess von 5 nm, mit einem Maß von 609 mm², halten 76.3 billion Transistoren. Ein kleinerer Prozess bedeutet im Allgemeinen mehr Leistung für die gleiche Energie, obwohl es bei Sprachmodellen weit weniger von Bedeutung ist als das MEMORY-SUBSYSTEM.
Es wurde veröffentlicht in October 2022, grob 3.9196995950643 vor Jahren. Die Unterstützung von Inference-Software folgt in der Regel ein oder zwei Jahre hinter der Hardware, sodass eine Karte dieses Alters normalerweise über ausgereifte, gut optimierte Codepfade verfügt.
Rechen-Durchsatz, und warum er weniger wichtig ist, als er aussieht
FP16
90 TFLOPS
FP64
1.4 TFLOPS
Tensor-Kerne
568
Auf Papier L40 CNX erreicht 90 TFLOPS bei halber Genauigkeit, und 90 TFLOPS bei einfacher Genauigkeit. Dies sind Spitzenwerte, keine echten Workloads, die diese erreichen, und die Generierung von Text erreicht nur einen kleinen Bruchteil davon – das Decodieren ist durch die MEMORY und nicht durch die Arithmetik begrenzt, weshalb eine CARD hier enorm leistungsfähig erscheinen kann und trotzdem Tokens in einem gewöhnlichen Tempo produziert.
Der Durchsatz für doppelpräzises Rechnen erreicht 1.4 TFLOPS. Es hat keinen Einfluss auf das Ausführen eines Sprachmodells — keine Inferenzlaufzeit verwendet es — aber es trennt die Teile des Rechenzentrums von den Verbraucherteilen, da letztere es absichtlich einschränken.
Die Karte trägt 568 Tensor-Kerne über 142 Streaming-Multiprozessoren. Diese beschleunigen die Matrixarithmetik im Herzen eines Transformators, und sie sind es, die die Eingabeverarbeitung – das Lesen eines langen Dokuments vor der Beantwortung – dramatisch schneller machen, als es sonst der Fall wäre.
Die Taktraten laufen von einer Basis von 1.01 GHz zu einem Schub von 2.48 GHz. Hier weit weniger wert als bei einem Gaming-Benchmark: das Anheben der Taktgeschwindigkeiten steigert die Arithmetik, und die Arithmetik ist nicht das, worauf die Generation wartet.
Cache und Verarbeitungseinheiten
L40 CNX hat einen L1-Cache von 128 KB, unterstützt von einem L2-Cache von 48 MB. Cache absorbiert einen Teil des MEMORY-Traffics, der ansonsten den MAIN BUS treffen würde, was der einzige Ort auf dieser Seite ist, an dem eine Zahl außer BANDWIDTH leise die GENERATIONSGESCHWINDIGKEIT beeinflusst — ein großes L2 lässt mehr des WORKING SETS nah an den CORES bleiben.
Es gibt 18,176 Shader-Einheiten, 568 Texturzuordnungseinheiten, und 192 Render-Ausgabeeinheiten. Diese treiben Grafikarbeitslasten und tragen zur Verarbeitung von Eingabeaufforderungen bei, aber sie sitzen den größten Teil der Zeit, die ein Modell benötigt, um eine Antwort zu generieren, untätig.
Leistung, Größe und Installation
Stromverbrauch
300 W
L40 CNX ist bewertet mit 300 W, und das empfohlene Systemnetzteil ist 700 W. Das Ausführen eines Sprachmodells hält eine GPU-Karte in Intervallen beschäftigt, anstatt kontinuierlich — sie zieht stark während der Generierung und wartet zwischen den Anfragen — daher liegt der nachhaltige Verbrauch über einen Arbeitstag normalerweise deutlich unter dem angegebenen Wert.
Die Karte belegt dual-slot, messen 267 mm lang, und benötigt 1x 16-pin. Es lohnt sich, bereits das Gehäuse und das Netzteil in der Maschine zu überprüfen, da die größten KARTEN erheblich mehr von beidem benötigen, als ein typischer Desktop bereitstellt.
Es verbindet sich über PCIe 4.0 x16. Die Schnittstelle regelt, wie schnell ein Modell von der Festplatte in die Karte geladen wird, nicht wie schnell es dort läuft, daher kostet ein engerer Link ein paar Sekunden beim Start und danach nichts mehr.
Die Extreme
Die größten AI-Modelle, die auf einem L40 CNX
Die größten OPEN WEIGHT Modelle, die auf dieser CARD passen, neueste zuerst. Jedes wird mit der besten Kompression angezeigt, die die CARD halten kann..
Die schnellsten AI-Modelle auf einer L40 CNX
Wo diese Karte die Token am schnellsten produziert. Kleinere Modelle dominieren hier, weil das Generieren jedes Tokens bedeutet, das gesamte Modell einmal aus dem VRAM zu lesen..
Schritt für Schritt
Wie man die Tokens pro Sekunde eines L40 CNX
Du musst nichts von Hand berechnen — der gputps.com Rechner auf dieser Seite hat es bereits für jedes Modell, das diese Karte halten kann, herausgefunden. Das Ablesen der Antwort erfordert sechs Schritte..
-
01
Modell: KI-Modell Lauf: KI-Modell ausführen Passt nicht: Passt nicht in GPU VRAM Eng: Kaum lauffähig Komfortabel: Läuft leicht Offenes Gewicht: Open-Source KI-Modell In der Datei: In unserer Datenbank Veröffentlichungen: Neu veröffentlichte GPUs Speicher/Speichergebunden: GPU VRAM/Bandbreite Karte: GPU-Karte Kontextlänge: KI-Kontextfenster
Die Tabelle listet 532 Modelle, die diese Karte ausführt. Die Suche verfeinert die Liste nach Namen oder nach Größe.
-
02
Setzen Sie die Kontextlänge, die Sie tatsächlich verwenden werden.
Ziehe den Regler auf die Gesprächslänge, mit der du arbeiten möchtest. Der Cache wächst mit dem Gespräch und gegen eine Karte, die hält 24 GB Es ist oft das, was ein großes Modell über die Kante drängt.
-
03
Vergleiche an ein Qualitätsniveau anheften
Standardmäßig wählt die Tabelle die am wenigsten komprimierte Kopie, die passt. Das Festlegen eines Bodens entfernt Modelle, die nur durch starke Kompression qualifiziert sind.
-
04
Lese die Geschwindigkeit und die Reichweite
Die Zahlen sind berechnet, nicht gemessen. Das schnellste Ergebnis auf dieser Karte ist 366 tok/s auf Gemma 3 QAT 1B. Die gleiche Karte und das Modell variieren zwischen dreißig und fünfzig Prozent bei den Inferenzlaufzeiten.
-
05
Überprüfen Sie den Spielraum, bevor Sie entscheiden.
Tight bedeutet, dass es heute funktioniert; comfortable bedeutet, dass es weiterhin funktioniert, wenn das Gespräch wächst. Vergleiche, was jedes Modell benötigt, mit dem, was verfügbar ist. 24 GB.
-
06
Überprüfen Sie dasselbe Modell von der anderen Seite
Jeder Modellname in der Tabelle verlinkt auf seine eigene Seite, die dieselbe Berechnung über jede Karte ausführt, die wir haben. Dort sehen Sie, ob der richtige Kauf ist L40 CNX.
Antworten
L40 CNX — Häufige Fragen
L40 CNX— kann es ein Modell ausführen, das nicht in seinen VRAM passt?
Das Auslagern über die Karte hinaus 24 GB im System-Speicher sitzen und mit einem Bruchteil der Geschwindigkeit laufen, sodass ein größtenteils ausgelagerter Modell selten den Einsatz wert ist. Jede Zahl hier geht davon aus, dass es vollständig auf der Karte resident ist.
Würden zwei L40 CNX Karten doppelt so schnell sein?
Das Pairing bietet mehr Spielraum als Tempo: 48 GB von kombinierter VRAM, bei etwa der gleichen Generation Geschwindigkeit wie eine.
L40 CNX— Welche AI-Modelle kann es ausführen?
532 des 721 Open-Source-Sprachmodelle, die wir verfolgen, passen auf diese Karte und können lokal ausgeführt werden. Die Tabelle auf dieser Seite listet jedes einzelne auf, mit dem benötigten MEMORY, der QUANTISIERUNG, auf der es läuft, und einer geschätzten Generierungsgeschwindigkeit.
L40 CNX— Was ist das größte AI-MODEL, das es ausführen kann?
Das größte Modell in unserem Katalog, das passt, ist Mixtral 8x7B bei 46.7B Parameter, komprimiert auf Q3_K_M. Es generiert ungefähr 76.5 Tokens pro Sekunde und benötigt etwa 21.0 GB des Speichers der Karte.
L40 CNX— Wie viele Tokens pro Sekunde produziert es?
Es hängt vom Modell ab. Das schnellste Modell, das wir hier verfolgen, ist Gemma 3 QAT 1B ungefähr 366 Tokens pro Sekunde, während größere Modelle verhältnismäßig langsamer laufen, da jedes Token das vollständige Modell einmal aus dem Speicher lesen muss. Geschwindigkeiten sind Schätzungen für ein einzelnes Gespräch gleichzeitig.
L40 CNX— Kann es laufen 7B Modelle?
Ja. Es läuft. Gemma 4 E4B bei Q8_0, verwenden von etwa 9.8 GB VRAM und generieren etwa 81.3 Token pro Sekunde
L40 CNX— Kann es laufen 13B Modelle?
Ja. Es läuft. DeepSeekMoE-16B bei Q8_0, verwenden von etwa 17.5 GB VRAM und generieren etwa 127 Token pro Sekunde
L40 CNX— Kann es laufen 30B Modelle?
Ja. Es läuft. Nemotron 3-Nano-30B-A3B bei Q4_K_M, verwenden von etwa 18.1 GB VRAM und generieren etwa 149 Token pro Sekunde
L40 CNX— wie viel VRAM hat es?
Diese Karte hat 24 GB von GDDR6. Rund ein Zehntel wird von der Inferenzlaufzeit und dem Treiber reserviert, was ungefähr 21.6 GB verfügbar für ein Modell und dessen Konversation.
L40 CNX— Was ist seine Speicherbandbreite?
Der Speicherbandbreite erreicht 864 GB/s über einen Bus von 384 Bits. Dies ist der einzige beste Prädiktor dafür, wie schnell es Text generiert, da das Erzeugen jedes Tokens bedeutet, das gesamte Modell einmal aus dem Speicher zu lesen.
L40 CNX— Welche Art von MEMORY verwendet es?
Es verwendet GDDR6 getaktet bei 2.25 GHz. HBM-Typen sind auf Rechenzentrum-Beschleunigern zu finden und verfügen über weitaus mehr Bandbreite als das GDDR, das auf Desktop-Karten verwendet wird, weshalb sie bei gleicher Kapazität erheblich schneller Tokens erzeugen.
L40 CNX— Wer macht es?
Dies ist ein Produkt von NVIDIA, mit dem von ... hergestellten Chip TSMC, einem Prozess von 5 nm.
L40 CNX— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in October 2022.
L40 CNX— Wie viel Leistung verbraucht es?
Bewertete Boardleistung ist 300 W, und das empfohlene Systemnetzteil ist 700 W. Die Textgenerierung erfordert während der Spitzenzeiten viel Leistung und idle zwischen den Anfragen, sodass der durchschnittliche Verbrauch während einer Arbeitssitzung normalerweise weit unter der angegebenen Zahl liegt.
L40 CNX— Wie viel Cache hat es?
Der L1-Cache ist 128 KB, und der L2-Cache ist 48 MB. Der Cache absorbiert einen Teil des Speicherverkehrs, der sonst den Hauptbus erreichen würde, sodass ein größeres L2 eine bescheidene Steigerung der Generierungsgeschwindigkeit über das hinaus bietet, was die Bandbreite allein vorhersagt.
L40 CNX— Was sind seine TFLOPS?
Es ist bewertet mit 90 TFLOPS bei halber Genauigkeit und 90 TFLOPS bei einfacher Präzision. Dies sind Spitzenarithmetik-Obergrenzen anstelle von erreichbaren Raten, und die Textgenerierung erreicht nur einen kleinen Bruchteil davon, da sie stattdessen durch die Speicherm_bandbreite begrenzt ist.
L40 CNX— Wie viele Tensor-Kerne hat es?
Es hat 568 Tensor-Kerne über 142 Streaming-Multiprozessoren. Sie beschleunigen die Matrixarithmetik, aus der ein Transformer besteht, was hauptsächlich die Verarbeitung eines langen Prompts beschleunigt, anstatt die Antwort zu erzeugen.
L40 CNX— Unterstützt es CUDA?
Ja. Es berichtet über die CUDA-Berechnungskompetenz 8.9. Die Fähigkeit 7.0 und höher verfügt über Tensor-Kerne, die von moderner Inferenzsoftware verwendet werden; darunter greift sie auf langsamere Code-Pfade für quantisierte Modelle zurück.
L40 CNX— Welche Bus-Schnittstelle verwendet es?
Es verwendet PCIe 4.0 x16. Dies bestimmt, wie schnell ein Modell auf die GPU-Karte geladen wird, anstatt wie schnell es läuft, nachdem es geladen wurde, sodass es beim Start ein paar Sekunden kostet und während der Generierung nichts.
L40 CNX— Ist es gut, um lokale AI-Modelle auszuführen?
Sein Speicher deckt bequem die mittelgroßen Modelle ab, die die meisten Leute lokal ausführen, und seine Bandbreite ist hoch genug, um Texte schneller zu generieren, als die meisten Leute lesen. Insgesamt läuft es 532 der Modelle, die wir verfolgen. Ob das genug ist, hängt ganz davon ab, welches Modell Sie möchten – die obige Tabelle beantwortet das direkt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit der Hardware. Wenn Sie bereits wissen, welches Modell Sie möchten und wissen müssen, was benötigt wird, um es auszuführen., Beginnen Sie mit dem Modell anstelle..