Berechne die TPS des B200 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
679 Modelle in unserem Katalog insgesamt
Das größte Modell, das es hält
GLM-4.7
358B · Q3_K_M · 142 tok/s
Schnellstes Modell
Gemma 3 QAT 1B
3,388 tok/s · 1B
Welche KI-Modelle können auf einem B200?
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..
633 Modelle passen
Berechnung| Quantisierung | Passend | ||||||
|---|---|---|---|---|---|---|---|
|
3,388
tok/s
2,880–4,066 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k Token | Q8_0 | Komfortabel |
|
3,388
tok/s
2,880–4,066 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k Token | Q8_0 | Komfortabel |
|
3,388
tok/s
2,033–5,421 · niedrige Vertrauenswürdigkeit |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,388
tok/s
2,033–5,421 · niedrige Vertrauenswürdigkeit |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,388
tok/s
2,033–5,421 · niedrige Vertrauenswürdigkeit |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,388
tok/s
2,033–5,421 · niedrige Vertrauenswürdigkeit |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,137
tok/s
1,882–5,020 · niedrige Vertrauenswürdigkeit |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,080
tok/s
1,848–4,928 · niedrige Vertrauenswürdigkeit |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,080
tok/s
1,848–4,928 · niedrige Vertrauenswürdigkeit |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,080
tok/s
1,848–4,928 · niedrige Vertrauenswürdigkeit |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
3,080
tok/s
1,848–4,928 · niedrige Vertrauenswürdigkeit |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,824
tok/s
1,694–4,518 · niedrige Vertrauenswürdigkeit |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,824
tok/s
1,694–4,518 · niedrige Vertrauenswürdigkeit |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,824
tok/s
1,694–4,518 · niedrige Vertrauenswürdigkeit |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,824
tok/s
1,694–4,518 · niedrige Vertrauenswürdigkeit |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,755
tok/s
2,341–3,306 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k Token | Q8_0 | Komfortabel |
|
2,716
tok/s
1,630–4,346 · niedrige Vertrauenswürdigkeit |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k Token ? | Q8_0 | Komfortabel |
|
2,606
tok/s
1,564–4,170 · niedrige Vertrauenswürdigkeit |
Phi-1 ≈ | 1.3B | Oct 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
B200 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
- 180 GB
- Speicherbandbreite
- 8,000 GB/s
- Speichertype
- HBM3e
- Speicherdatenbreite
- 8,192 bit
- Speichertakt
- 1.95 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
- GB100
- Architektur
- Blackwell
- Generierung
- Server Blackwell(Bxx)
- Gießerei
- TSMC
- Prozessgröße
- 5 nm
- Transistoren
- 104 billion
- Veröffentlicht
- 1 January 2024
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
- 700 MHz
- Boost-Takt
- 1.97 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
- 18,944
- Texturzuordnungseinheiten
- 592
- Render-Ausgabeeinheiten
- 24
- Streaming-Multiprozessoren
- 148
- Tensor-Kerne
- 592
- L1-Cache
- 250 KB
- L2-Cache
- 50 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)
- 1,191.2 TFLOPS
- Einfache Genauigkeit (FP32)
- 74.5 TFLOPS
- Doppelte Genauigkeit (FP64)
- 37.2 TFLOPS
- Pixelrate
- 47 GPixel/s
- Texturrate
- 1,163 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)
- 1,000 W
- Vorgeschlagene Stromversorgung
- 1,400 W
- Bus-Schnittstelle
- PCIe 5.0 x16
- Slot-Breite
- SXM Module
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
- 10.0
- OpenCL
- 3.0
Auflistungen
Wo man ein B200
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
180 GB
Bandbreite
8,000 GB/s
Größtes Modell
GLM-4.7
B200 hält 180 GB von HBM3e. Das ordnet es der Klasse von Hardware zu, die die größten OPEN WEIGHT-Modelle ohne Aufspaltung über Maschinen halten kann. Eine Inferenzlaufzeit kann ungefähr erreichen 162 GB.
Der Speicherbandbreite erreicht 8,000 GB/s über einen Bus von 8,192 Bits. Das ist an der Spitze dessen, was existiert. Da jedes Token bedeutet, das gesamte Modell einmal aus dem MEMORY zu lesen, übersetzt es sich fast direkt in die GENERATIONSGESCHWINDIGKEIT - diese KARTEN ist genug bandbreitenreich, dass die MODELLGRÖßE lange bevor der BUS der limitierende Faktor wird, nicht mehr das limitierende Element ist.
Die BANDWIDTH ist Taktfrequenz mal Busbreite, und diese KArte taktet ihren Speicher bei 1.95 GHz. Es ist der Grund, warum Kernanzahlen die Generationsgeschwindigkeit so schlecht vorhersagen.
Die praktische Obergrenze ist GLM-4.7, 358B, komprimiert auf Q3_K_M und generieren etwa 142 Token pro Sekunde
Der Chip und wie er gebaut wurde
B200 ist auf dem Grafikprozessor aufgebaut GB100, die Architektur verwenden Blackwell von NVIDIA, als Teil der Generierung Server Blackwell(Bxx).
Der Chip wird hergestellt von TSMC, einem Prozess von 5 nm, halten 104 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 January 2024, grob 2.5804758400954 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
1,191.2 TFLOPS
FP64
37.2 TFLOPS
Tensor-Kerne
592
Auf Papier B200 erreicht 1,191.2 TFLOPS bei halber Genauigkeit, und 74.5 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 37.2 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 592 Tensor-Kerne über 148 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 700 MHz zu einem Schub von 1.97 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
B200 hat einen L1-Cache von 250 KB, unterstützt von einem L2-Cache von 50 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 18,944 Shader-Einheiten, 592 Texturzuordnungseinheiten, und 24 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
1,000 W
B200 ist bewertet mit 1,000 W, und das empfohlene Systemnetzteil ist 1,400 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 sxm module. 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 5.0 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 B200
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 B200
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 B200
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 633 Modelle, die diese Karte ausführt. Die Suche verfeinert die Liste nach Namen oder nach Größe.
-
02
Passen Sie den Kontext an Ihre Arbeit an
Längere Gespräche kosten Speicher zusätzlich zu den Gewichten. Gegen 180 GB das ist häufig der Unterschied zwischen einem Modell, das passt, und einem, das nicht passt.
-
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
Nehmen Sie den Bereich als die Antwort.
Geschwindigkeiten kommen aus einem Grund mit Fehlerbalken. Der beste Fall hier ist 3,388 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.
Eine enge Passform läuft, lässt jedoch keinen Raum, um den Kontext später zu erhöhen; komfortabel hat Spielraum. Die Speicher-Spalte zeigt, was jedes Modell benötigt im Vergleich zu einem verfügbaren 180 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 B200.
Antworten
B200 — Häufige Fragen
B200— Was sind seine TFLOPS?
Es ist bewertet mit 1,191.2 TFLOPS bei halber Genauigkeit und 74.5 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.
B200— Wie viele Tensor-Kerne hat es?
Es hat 592 Tensor-Kerne über 148 Streaming-Multiprozessoren. Sie beschleunigen die Matrixarithmetik, aus der ein Transformer besteht, was hauptsächlich die Verarbeitung eines langen Prompts beschleunigt, anstatt die Antwort zu erzeugen.
B200— Unterstützt es CUDA?
Ja. Es berichtet über die CUDA-Berechnungskompetenz 10.0. 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.
B200— Welche Bus-Schnittstelle verwendet es?
Es verwendet PCIe 5.0 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.
B200— Ist es gut, um lokale AI-Modelle auszuführen?
Ihr Speicher ist groß genug für Modelle, die die meisten Desktop-Hardware nicht erreichen können, und ihre Bandbreite zählt sie zu der schnellsten Hardware, die für die Generierung verfügbar ist. Insgesamt läuft es 633 der Modelle, die wir verfolgen. Ob das genug ist, hängt ganz davon ab, welches Modell Sie möchten – die obige Tabelle beantwortet das direkt.
B200— kann es ein Modell ausführen, das nicht in seinen VRAM passt?
Nur teilweise. Schichten über die GPU-Karte. 180 GB ist möglich und normalerweise eine falsche Sparmaßnahme: der System-Speicheranteil ist ausreichend langsam, um das Ergebnis zu dominieren.
Würden zwei B200 Karten doppelt so schnell sein?
Das Pairing bietet mehr Spielraum als Tempo: 360 GB die es Ihnen ermöglicht, Modelle zu halten, die keines davon allein halten konnte, aber die Generierung nicht auf diese Weise aufteilt. Diese Zahlen beschreiben eine Karte.
B200— Welche AI-Modelle kann es ausführen?
633 des 679 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.
B200— Was ist das größte AI-MODEL, das es ausführen kann?
Das größte Modell in unserem Katalog, das passt, ist GLM-4.7 bei 358B Parameter, komprimiert auf Q3_K_M. Es generiert ungefähr 142 Tokens pro Sekunde und benötigt etwa 155.2 GB des Speichers der Karte.
B200— 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 3,388 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.
B200— Kann es laufen 7B Modelle?
Ja. Es läuft. Multi-Token Prediction 7B bei Q8_0, verwenden von etwa 7.9 GB VRAM und generieren etwa 506 Token pro Sekunde
B200— Kann es laufen 13B Modelle?
Ja. Es läuft. DeepSeekMoE-16B bei Q8_0, verwenden von etwa 17.5 GB VRAM und generieren etwa 1,176 Token pro Sekunde
B200— Kann es laufen 30B Modelle?
Ja. Es läuft. ERNIE-4.5-VL-28B-A3B bei Q8_0, verwenden von etwa 29.2 GB VRAM und generieren etwa 672 Token pro Sekunde
B200— Kann es laufen 70B Modelle?
Ja. Es läuft. Qwen3-Coder-Next bei Q8_0, verwenden von etwa 80.7 GB VRAM und generieren etwa 235 Token pro Sekunde
B200— wie viel VRAM hat es?
Diese Karte hat 180 GB von HBM3e. Rund ein Zehntel wird von der Inferenzlaufzeit und dem Treiber reserviert, was ungefähr 162 GB verfügbar für ein Modell und dessen Konversation.
B200— Was ist seine Speicherbandbreite?
Der Speicherbandbreite erreicht 8,000 GB/s über einen Bus von 8,192 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.
B200— Welche Art von MEMORY verwendet es?
Es verwendet HBM3e getaktet bei 1.95 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.
B200— Wer macht es?
Dies ist ein Produkt von NVIDIA, mit dem von ... hergestellten Chip TSMC, einem Prozess von 5 nm.
B200— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in January 2024.
B200— Wie viel Leistung verbraucht es?
Bewertete Boardleistung ist 1,000 W, und das empfohlene Systemnetzteil ist 1,400 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.
B200— Wie viel Cache hat es?
Der L1-Cache ist 250 KB, und der L2-Cache ist 50 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.
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..