Υπολογίστε την TPS του Tesla V100 FHHL σε τοπικά AI μοντέλα
Κάθε μοντέλο στον κατάλογό μας αξιολογήθηκε σε σχέση με αυτή την ΚΑΡΤΑ στη διάρκεια του CONTEXT LENGTH και της ελάχιστης ποιότητας που επιλέγετε. Η ταχύτητα είναι μια εκτίμηση για ένα μόνο αίτημα, υπολογισμένη από το MEMORY BANDWIDTH αυτής της ΚΑΡΤΑΣ και το μέγεθος κάθε μοντέλου μόλις συμπιεστεί..
Υπολογίστηκε για αυτήν την κάρτα
679 μοντέλα στον κατάλογό μας συνολικά
Το μεγαλύτερο μοντέλο που κρατάει
Nemotron 3-Nano-30B-A3B
31.6B · Q3_K_M · 166 tok/s
Ταχύτερο μοντέλο
Gemma 3 QAT 1B
350 tok/s · 1B
Ποια AI μοντέλα μπορούν να τρέξουν σε μια Tesla V100 FHHL?
Ορίστε τις εισόδους, διαβάστε την απάντηση
Περισσότερα συμφραζόμενα σημαίνει περισσότερη μνήμη για την κρυφή μνήμη της συνομιλίας. Η ταχύτητα είναι για μια νέα συνομιλία και δεν αλλάζει με αυτή τη ρύθμιση..
Κρύβει μοντέλα που θα χωρούσαν μόνο αν συμπιεστούν κάτω από αυτό το σημείο.
432 τα μοντέλα ταιριάζουν
Υπολογισμός| Ποσοτικοποίηση | Καλά | ||||||
|---|---|---|---|---|---|---|---|
|
350
tok/s
298–421 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k μουσικά κομμάτια | Q8_0 | Άνετο |
|
350
tok/s
298–421 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k μουσικά κομμάτια | Q8_0 | Άνετο |
|
350
tok/s
210–561 · χαμηλή εμπιστοσύνη |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
350
tok/s
210–561 · χαμηλή εμπιστοσύνη |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
350
tok/s
210–561 · χαμηλή εμπιστοσύνη |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
350
tok/s
210–561 · χαμηλή εμπιστοσύνη |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
324
tok/s
195–519 · χαμηλή εμπιστοσύνη |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
319
tok/s
191–510 · χαμηλή εμπιστοσύνη |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
319
tok/s
191–510 · χαμηλή εμπιστοσύνη |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
319
tok/s
191–510 · χαμηλή εμπιστοσύνη |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
319
tok/s
191–510 · χαμηλή εμπιστοσύνη |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
292
tok/s
175–467 · χαμηλή εμπιστοσύνη |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
292
tok/s
175–467 · χαμηλή εμπιστοσύνη |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
292
tok/s
175–467 · χαμηλή εμπιστοσύνη |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
292
tok/s
175–467 · χαμηλή εμπιστοσύνη |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
285
tok/s
242–342 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k μουσικά κομμάτια | Q8_0 | Άνετο |
|
281
tok/s
169–449 · χαμηλή εμπιστοσύνη |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
270
tok/s
162–431 · χαμηλή εμπιστοσύνη |
Phi-1 ≈ | 1.3B | Oct 2023 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
Οι ταχύτητες είναι εκτιμήσεις για ένα μόνο αίτημα — μία συνομιλία τη φορά — υπολογισμένες από την μνήμη, το μέγεθος του μοντέλου και την ποσοτικοποίηση. Η πραγματική διακύμανση έξοδου ποικίλλει με τον χρόνο εκτέλεσης συμπερασμάτων και την έκδοσή του. Οι αριθμοί που δημοσιεύονται από τους προμηθευτές υλικού μετρούν πολλές ταυτόχρονες αιτήσεις και είναι πολύ υψηλότεροι..
Σε καταγραφή
Tesla V100 FHHL Πλήρης προδιαγραφή
Τα πάντα σε αρχείο για αυτήν την κάρτα, ταξινομημένα κατά πόσο σχετίζονται με τη λειτουργία ενός AI μοντέλου παρά σύμφωνα με το πώς θα το κατέγραφε ένα φύλλο προδιαγραφών. Η ΜΝΗΜΗ έρχεται πρώτη γιατί αποφασίζει το αποτέλεσμα; το υπόλοιπο είναι CONTEXT..
Μνήμη
Οι δύο προδιαγραφές που αποφασίζουν ποιο μοντέλο μπορεί να τρέξει αυτή η ΚΑΡΤΑ και με ποια ταχύτητα. Η ικανότητα καθορίζει ποια μοντέλα ταιριάζουν· το bandwidth καθορίζει πόσα tokens ανά δευτερόλεπτο παράγουν μόλις ταιριάξουν.
- Μέγεθος μνήμης
- 16 GB
- Μνήμη εύρους ζώνης
- 827 GB/s
- Τύπος μνήμης
- HBM2
- Πλάτος διαύλου μνήμης
- 4,096 bit
- Ρολογιά μνήμης
- 808 MHz
Το τσιπ
Ποιος επεξεργαστής είναι πάνω στην πλακέτα και πώς κατασκευάστηκε. Ένα μικρότερο μέγεθος διαδικασίας γενικά σημαίνει περισσότερη απόδοση για την ίδια ισχύ.
- Γραφικός επεξεργαστής
- GV100
- Αρχιτεκτονική
- Volta
- Γενιά
- Tesla Volta(Vxx)
- Μέταλλο
- TSMC
- Μέγεθος διαδικασίας
- 12 nm
- Τρανζίστορ
- 21.1 billion
- Πυκνότητα τρανζίστορ
- 25,900 K/mm²
- Μέγεθος τσιπ
- 815 mm²
- Απελευθερώθηκε
- 27 March 2018
Ταχύτητες ρολογιού
Πόσο γρήγορα λειτουργεί ο επεξεργαστής. Αξίζει πολύ λιγότερο εδώ από ό,τι σε ένα gaming benchmark: η δημιουργία κειμένου περιορίζεται από το MEMORY BANDWIDTH, έτσι μια υψηλότερη συχνότητα barely moves το αποτέλεσμα.
- Βασική συχνότητα
- 937 MHz
- Ωθήσει ρολογιού
- 1.29 GHz
Μονάδες Επεξεργασίας
Τι περιέχει το τσιπ. Αυτά οδηγούν την απόδοση γραφικών και έχουν σημασία κυρίως για την επεξεργασία μιας μακράς προτροπής αντί για την παραγωγή της απάντησης.
- Μονάδες σκίασης
- 5,120
- Μονάδες Χαρτογράφησης Υφής
- 320
- Μονάδες εξόδου απόδοσης
- 128
- Ροή πολλών επεξεργαστών
- 80
- Πυρήνες Tensor
- 640
- L1 κρυφή μνήμη
- 128 KB
- L2 κρυφή μνήμη
- 6 MB
Θεωρητική Απόδοση
Οι κορυφαίοι ρυθμοί αριθμητικών υπολογισμών που δημοσιεύθηκαν για την κάρτα. Αυτές είναι ανώτατα όρια που καμία πραγματική εργασία δεν φτάνει, και η παραγωγή κειμένου φτάνει μόνο σε ένα μικρό ποσοστό αυτών επειδή περιορίζεται από τη μνήμη αντί για την αριθμητική.
- Μισή ακρίβεια (FP16)
- 26.4 TFLOPS
- Μονή ακρίβεια (FP32)
- 13.2 TFLOPS
- Διπλή ακρίβεια (FP64)
- 6.6 TFLOPS
- Ρυθμός εικονοστοιχείων
- 165 GPixel/s
- Ρυθμός υφής
- 413 GTexel/s
Η πλακέτα
Τι απαιτείται για να εγκαταστήσετε φυσικά και να τροφοδοτήσετε την ΚΑΡΤΑ — οι πρακτικοί περιορισμοί που αποφασίζουν αν ταιριάζει στη μηχανή που ήδη έχετε.
- Κατανάλωση ενέργειας (TDP)
- 250 W
- Προτεινόμενη τροφοδοσία
- 600 W
- Συνδέσεις ρεύματος
- 1x 8-pin
- Διασύνδεση λεωφορείου
- PCIe 3.0 x16
- Πλάτος υποδοχής
- Single-slot
Υποστήριξη λογισμικού
Ποιες γραφικές και υπολογιστικές διεπαφές υποστηρίζει η κάρτα. Η δυνατότητα υπολογισμού CUDA είναι αυτή που επηρεάζει την εκτίμηση: κάτω από 7.0 δεν υπάρχουν πυρήνες tensor, και το σύγχρονο λογισμικό εκτίμησης επιστρέφει σε πιο αργούς κωδικούς.
- ικανότητα υπολογισμού CUDA
- 7.0
- DirectX
- 12.1
- OpenGL
- 4.6
- Βούλκαν
- 1.4
- OpenCL
- 3.0
- Μοντέλο Σκίασης
- 6.8
Καταχωρίσεις
Πού να αγοράσω ένα Tesla V100 FHHL
Κανένας προμηθευτής δεν καταχωρεί αυτήν την κάρτα αυτή τη στιγμή. Οι καταχωρίσεις προέρχονται από προμηθευτές που τις δημοσιεύουν εδώ απευθείας. — περιηγηθείτε στον κατάλογο προμηθευτών να δεις ποιος πουλάει τι.
Τι σημαίνουν οι αριθμοί
Χωρητικότητα και εύρος ζώνης
Μνήμη
16 GB
Εύρος ζώνης
827 GB/s
Μεγαλύτερο μοντέλο
Nemotron 3-Nano-30B-A3B
Tesla V100 FHHL φερεί 16 GB του HBM2. Αυτό φτάνει άνετα σε μικρά και μεσαία μοντέλα, αν και τα μεγαλύτερα μένουν εκτός εμβέλειας χωρίς να τα χωρίσουμε. Η υπερβολή του οδηγού αφήνει περίπου 14.4 GB.
Η μνημονική εύρος ζώνης φτάνει 827 GB/s πέρα από ένα λεωφορείο του 4,096 μπίτ. Η δημιουργία ενός τοκέτα σημαίνει την ανάγνωση κάθε βάρους μία φορά, έτσι ώστε αυτός ο αριθμός να καθορίζει τον ρυθμό περισσότερο από οποιονδήποτε άλλο αριθμό εδώ, και σε αυτό το επίπεδο το κείμενο φτάνει γρηγορότερα από ότι διαβάζουν οι περισσότεροι άνθρωποι.
Αυτό προέρχεται από ένα memory clock του 808 MHz. Και οι δύο μισοί είναι σημαντικοί, και κανένας δεν είναι ορατός σε μία αναφορά παιχνιδιών.
Στην πράξη, αυτός ο συνδυασμός φτάνει στο ανώτερο επίπεδο σε Nemotron 3-Nano-30B-A3B, 31.6B, συμπιεσμένο σε Q3_K_M και δημιουργώντας γύρω 166 tokens ανά δευτερόλεπτο
Το τσιπ και πώς κατασκευάστηκε
Tesla V100 FHHL είναι κατασκευασμένο πάνω στον επεξεργαστή γραφικών GV100, χρησιμοποιώντας την αρχιτεκτονική Volta από NVIDIA, ως μέρος της γενιάς Tesla Volta(Vxx).
Το τσιπ κατασκευάζεται από TSMC, σε μια διαδικασία της 12 νμ, με ένα ζάρι που μετράει 815 mm², κρατώντας 21.1 billion Τρανζίστορ. Μια μικρότερη διαδικασία σημαίνει γενικά περισσότερη απόδοση για την ίδια ισχύ, αν και για τα γλωσσικά μοντέλα έχει πολύ λιγότερη σημασία από το υποσύστημα μνήμης.
Δημοσιεύτηκε το March 2018, χονδρικά 8.3479955125037 χρόνια πριν. Η υποστήριξη λογισμικού INFERENCE τείνει να ακολουθεί την υλικοτεχνική υποδομή κατά ένα ή δύο χρόνια, οπότε μια κάρτα αυτής της ηλικίας γενικά διαθέτει ώριμους, καλά βελτιστοποιημένους κώδικες που της είναι διαθέσιμοι.
Διαδικασία υπολογισμού, και γιατί έχει λιγότερη σημασία απ' ότι φαίνεται
FP16
26.4 TFLOPS
FP64
6.6 TFLOPS
Πυρήνες Tensor
640
Στο χαρτί Tesla V100 FHHL φθάνει 26.4 TFLOPS σε μισή ακρίβεια, και 13.2 TFLOPS σε απλή ακρίβεια. Αυτά είναι κορυφαία νούμερα που κανένα πραγματικό φορτίο δεν υποστηρίζει, και η γενετική κειμένων φτάνει μόνο σε ένα μικρό ποσοστό τους - η αποκωδικοποίηση περιορίζεται από τη μνήμη παρά από την αριθμητική, γι' αυτό μια κάρτα μπορεί να φαίνεται εξαιρετικά ισχυρή εδώ και να παράγει ακόμα μικρές μονάδες με έναν κανονικό ρυθμό.
Η διάβαση διπλής ακρίβειας φθάνει 6.6 TFLOPS. Δεν έχει καμία σχέση με την εκτέλεση ενός γλωσσικού ΜΟΝΤΕΛΟΥ — κανένας χρόνος εκτέλεσης συμπερασμού δεν το χρησιμοποιεί — αλλά χωρίζει τα μέρη των κέντρων δεδομένων από τα καταναλωτικά, καθώς τα τελευταία το περιορίζουν σκόπιμα.
Η ΚΑΡΤΑ φέρει 640 Πυρήνες Tensor διάσπαρτα 80 Ροή πολλών επεξεργαστών. Αυτά επιταχύνουν τη μητρική αριθμητική που είναι στην καρδιά ενός μετασχηματιστή, και είναι αυτά που κάνουν την επεξεργασία προτροπών — διαβάζοντας ένα μεγάλο έγγραφο πριν απαντήσουν — δραματικά ταχύτερη από ό,τι θα ήταν διαφορετικά.
Οι ρολόγια τρέχουν από μια βάση του 937 MHz σε μια αύξησηของ 1.29 GHz. Αξίζει πολύ λιγότερο εδώ από ό,τι σε ένα gaming benchmark: η αύξηση των ρολογιών επιταχύνει την αριθμητική, και η αριθμητική δεν είναι αυτό που περιμένει η γενιά.
Κρυφή μνήμη και μονάδες επεξεργασίας
Tesla V100 FHHL έχει L1 cache της 128 KB, υποστηριζόμενο από μια L2 cache του 6 MB. Η Cache απορροφά ένα μερίδιο της κίνησης μνήμης που αλλιώς θα έπληττε το κύριο λεωφορείο, το οποίο είναι το μόνο μέρος σε αυτή τη σελίδα όπου ένας αριθμός διαφορετικός από τη bandwidth επηρεάζει ήσυχα την ταχύτητα δημιουργίας - μια μεγάλη L2 επιτρέπει περισσότερα από το working set να παραμένουν κοντά στους πυρήνες.
Υπάρχουν 5,120 Μονάδες σκίασης, 320 Μονάδες Χαρτογράφησης Υφής, και 128 Μονάδες εξόδου απόδοσης. Αυτά οδηγούν τα γραφικά φορτία εργασίας και συμβάλλουν στην επεξεργασία εντολών, αλλά παραμένουν ανενεργά για μεγάλο μέρος του χρόνου που χρειάζεται ένα μοντέλο για να παράγει μια απάντηση.
Ικανότητα, μέγεθος και εγκατάσταση
Κατανάλωση ενέργειας
250 W
Tesla V100 FHHL βαθμολογείται σε 250 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 600 W. Η εκτέλεση ενός γλωσσικού μοντέλου κρατά μια κάρτα απασχολημένη σε εκρήξεις παρά συνεχώς — απορροφά έντονα κατά τη διαδικασία παραγωγής και αδρανεί μεταξύ των αιτημάτων — έτσι η διαρκής κατανάλωση κατά τη διάρκεια μιας εργάσιμης ημέρας είναι συνήθως πολύ κάτω από την αναγραφόμενη τιμή.
Η κάρτα καταλαμβάνει single-slot, και χρειάζεται 1x 8-pin. Αξίζει να ελεγχθεί σε σχέση με την περίπτωση και την τροφοδοσία που είναι ήδη στη μηχανή, καθώς οι μεγαλύτερες κάρτες χρειάζονται σημαντικά περισσότερα και από τα δύο σε σύγκριση με ό,τι παρέχει ένα τυπικό επιτραπέζιο.
Συνδέεται μέσω PCIe 3.0 x16. Η διεπαφή ρυθμίζει πόσο γρήγορα ένα μοντέλο φορτώνεται από το δίσκο στην κάρτα, όχι πόσο γρήγορα εκτελείται μόλις εκεί, έτσι μια στενότερη σύνδεση κοστίζει μερικά δευτερόλεπτα στην εκκίνηση και τίποτα μετά από αυτό.
Οι ακραίοι
Οι μεγαλύτεροι AI μοντέλα που τρέχουν σε μια Tesla V100 FHHL
Τα μεγαλύτερα OPEN WEIGHT μοντέλα που ταιριάζουν σε αυτή την CARD, τα νεότερα πρώτα. Κάθε ένα εμφανίζεται με την καλύτερη συμπίεση που μπορεί να κρατήσει η CARD..
Οι ταχύτεροι AI μοντέλα σε μια Tesla V100 FHHL
Όπου αυτή η ΚΑΡΤΑ παράγει τούβλα γρηγορότερα. Μικρότερα μοντέλα κυριαρχούν εδώ, επειδή η παραγωγή κάθε τούβλου σημαίνει να διαβάζουμε ολόκληρο το μοντέλο από τη μνήμη μία φορά..
Βήμα προς βήμα
Πώς να υπολογίσετε τους TOKENS ανά ΔΕΥΤΕΡΟΛΕΠΤΟ ενός Tesla V100 FHHL
Δεν χρειάζεται να υπολογίσετε τίποτα με το χέρι — ο υπολογιστής gputps.com σε αυτή τη σελίδα έχει ήδη υπολογίσει για κάθε μοντέλο που μπορεί να κρατήσει αυτή η κάρτα. Η ανάγνωση της απάντησης απαιτεί έξι βήματα..
-
01
Μοντέλο AI που δεν χωράει σε GPU VRAM. Τεταμένη, σχεδόν εκτελέσιμη. Άνετη, τρέχει εύκολα. Ανοικτό βάρος AI μοντέλου που είναι διαθέσιμο στη βάση δεδομένων μας. Νέες GPU κυκλοφορίες. Οριακή μνήμη/δεσμευμένη μνήμη GPU VRAM/εύρος ζώνης. Κάρτα GPU. Μήκος συμφραζομένων AI.
Ο πίνακας απαριθμεί 432 μοντέλα που τρέχει αυτή η κάρτα. Η αναζήτηση περιορίζει τη λίστα κατά όνομα ή κατά μέγεθος.
-
02
Εναρμονίστε το πλαίσιο με τη δουλειά σας
Οι μεγαλύτερες συζητήσεις κοστίζουν VRAM πάνω από τα βάρη. Εναντίον 16 GB αυτό είναι συχνά η διαφορά μεταξύ ενός μοντέλου που ταιριάζει και ενός που δεν ταιριάζει.
-
03
Επιλέξτε πόσο μακριά θα συμπιέσετε
Από προεπιλογή, ο πίνακας επιλέγει την λιγότερο συμπιεσμένη αντιγραφή που χωράει. Η ρύθμιση ενός κατωφλιού αφαιρεί τα μοντέλα που πληρούν προϋποθέσεις μόνο μέσω βαριάς συμπίεσης.
-
04
Διάβασε την ταχύτητα και την εμβέλεια
Κάθε ταχύτητα είναι μια εκτίμηση για μια μεμονωμένη συνομιλία, με μια κλίμακα από κάτω της. Η κορυφαία τιμή εδώ είναι 350 τόκ/σ σε Gemma 3 QAT 1B. Η ίδια κάρτα και μοντέλο διαφέρει κατά τριάντα έως πενήντα τοις εκατό μεταξύ των χρόνων εκτέλεσης συμπερασμάτων.
-
05
Έλέγξτε τον χώρο πριν αποφασίσετε
Η στήλη εφαρμογής χωρίζει τα μοντέλα που απλώς ταιριάζουν από αυτά που έχουν περιθώριο — αξίζει να ελεγχθεί πριν από την επιλογή ενός, σε σχέση με ένα διαθέσιμο 16 GB.
-
06
Άνοιξε το μοντέλο για να συγκρίνεις τις κάρτες
Κάθε σελίδα μοντέλου επαναλαμβάνει αυτόν τον υπολογισμό για ολόκληρο τον κατάλογο. Αξίζει μια ματιά πριν αποφασίσετε: δείχνει τι άλλο τρέχει το ίδιο μοντέλο, δίπλα σε Tesla V100 FHHL.
Απαντήσεις
Tesla V100 FHHL — κοινές ερωτήσεις
Tesla V100 FHHL— πόσο cache έχει;
Η μνήμη L1 είναι 128 KB, και η L2 cache είναι 6 MB. Η Cache απορροφά μέρος της μνήμης κυκλοφορίας που θα έφτανε αλλιώς στον κύριο διαδικτυακό κόμβο, έτσι μια μεγαλύτερη L2 δίνει μια μέτρια αύξηση στην ταχύτητα γενετικά πέρα από αυτό που προ predicts η μόνο πλά bandwidth.
Tesla V100 FHHL— ποιοι είναι οι TFLOPS του;
Αξιολογείται σε 26.4 TFLOPS σε μισή ακρίβεια και 13.2 TFLOPS σε μονή ακρίβεια. Αυτά είναι αιχμές αριθμητικών ανώτατων ορίων αντί για επιτεύξιμες τιμές, και η παραγωγή κειμένου φτάνει μόνο ένα μικρό κλάσμα αυτών επειδή περιορίζεται από την μπαλαντέρ μνήμης αντί.
Tesla V100 FHHL— πόσους πυρήνες τензόρ έχει;
Έχει 640 Πυρήνες Tensor διάσπαρτα 80 Ροή πολλών επεξεργαστών. επιταχύνουν την αρνητική άλγεβρα από την οποία είναι χτισμένος ένας μετασχηματιστής, ο οποίος κυρίως επιταχύνει την επεξεργασία μιας μεγάλης πρότασης παρά την παραγωγή της απάντησης.
Tesla V100 FHHL— υποστηρίζει CUDA;
Ναι. Αναφέρει την ικανότητα υπολογισμού CUDA. 7.0. Η δυνατότητα 7.0 και άνω έχει πυρήνες τανυστών, τους οποίους χρησιμοποιεί λογισμικό σύγχρονης inference. Κάτω από αυτό, επιστρέφει σε πιο αργές διαδρομές κώδικα για μοντέλα ποσοτικοποίησης.
Tesla V100 FHHL— ποια είναι η διεπαφή bus που χρησιμοποιεί;
Χρησιμοποιεί PCIe 3.0 x16. Αυτό διέπει πόσο γρήγορα φορτώνεται ένα μοντέλο στην κάρτα αντί για το πόσο γρήγορα τρέχει μόλις φορτωθεί, οπότε κοστίζει μερικά δευτερόλεπτα κατά την εκκίνηση και τίποτα κατά τη διάρκεια της γεννήσεως.
Tesla V100 FHHL— είναι καλό για να τρέξετε τοπικά AI μοντέλα;
Η μνήμη του καλύπτει μικρά και μεσαίου μεγέθους μοντέλα, αν και τα μεγαλύτερα είναι εκτός εμβέλειας και το εύρος ζώνης του είναι αρκετά υψηλό για να παράγει κείμενο πιο γρήγορα από όσους διαβάζουν οι περισσότεροι άνθρωποι. Στο σύνολό του τρέχει 432 των μοντέλων που παρακολουθούμε. Εάν αυτό είναι αρκετό εξαρτάται αποκλειστικά από το ποιο μοντέλο θέλετε — ο παραπάνω πίνακας απαντά σε αυτό απευθείας.
Tesla V100 FHHL— μπορεί να τρέξει ένα μοντέλο που δεν χωράει στη μνήμη του;
Μόνο μερικώς. Επίπεδα πέρα από την κάρτα. 16 GB είναι πιθανό και συνήθως μια ψευδής οικονομία: το ποσοστό μνήμης-συστήματος είναι αρκετά αργό ώστε να κυριαρχεί στο αποτέλεσμα.
Θα μπορούσαν δύο Tesla V100 FHHL οι κάρτες θα είναι δύο φορές πιο γρήγορες;
Όχι. Μια δεύτερη κάρτα διπλασιάζει τη μνήμη σε 32 GB συνδυασμένης μνήμης, με περίπου την ίδια ταχύτητα γενιάς όπως μία.
Tesla V100 FHHL— ποια AI μοντέλα μπορεί να εκτελέσει;
432 του 679 Οι ανοιχτού τύπου γλωσσικοί μοντέλοι που παρακολουθούμε ταιριάζουν σε αυτή την κάρτα και μπορούν να εκτελούνται τοπικά. Ο πίνακας σε αυτή τη σελίδα απαριθμεί τον καθένα, με τη μνήμη που χρειάζεται, την ποσοτικοποίηση στην οποία εκτελείται και μια εκτιμώμενη ταχύτητα παραγωγής.
Tesla V100 FHHL— ποιο είναι το μεγαλύτερο AI μοντέλο που μπορεί να τρέξει;
Το μεγαλύτερο μοντέλο στον κατάλογό μας που χωράει είναι Nemotron 3-Nano-30B-A3B σε 31.6B παραμέτρους, συμπιεσμένο σε Q3_K_M. Παράγει περίπου 166 δεσμεύσεις ανά δευτερόλεπτο και χρειάζονται περίπου 14.4 GB της μνήμης της κάρτας.
Tesla V100 FHHL— πόσοι τόκεν ανά δευτερόλεπτο παράγει;
Εξαρτάται από το ΜΟΝΤΕΛΟ. Το πιο γρήγορο ΜΟΝΤΕΛΟ που παρακολουθούμε εδώ είναι Gemma 3 QAT 1B γύρω από 350 διακυμάνσεις ανά δευτερόλεπτο, ενώ μεγαλύτερα μοντέλα τρέχουν αναλογικά πιο αργά επειδή κάθε διακυμάνση απαιτεί την ανάγνωση ολόκληρου του μοντέλου από τη μνήμη μία φορά. Οι ταχύτητες είναι εκτιμήσεις για μία μόνο συνομιλία τη φορά.
Tesla V100 FHHL— μπορεί να τρέξει 7B μοντέλα;
Ναι. Για παράδειγμα τρέχει. Multi-Token Prediction 7B σε Q8_0, χρησιμοποιώντας περίπου 7.9 GB μνήμης και δημιουργία γύρω από 52.3 tokens ανά δευτερόλεπτο
Tesla V100 FHHL— μπορεί να τρέξει 13B μοντέλα;
Ναι. Για παράδειγμα τρέχει. DeepSeekMoE-16B σε Q6_K, χρησιμοποιώντας περίπου 13.7 GB μνήμης και δημιουργία γύρω από 177 tokens ανά δευτερόλεπτο
Tesla V100 FHHL— μπορεί να τρέξει 30B μοντέλα;
Ναι. Για παράδειγμα τρέχει. ERNIE-4.5-VL-28B-A3B σε Q3_K_M, χρησιμοποιώντας περίπου 12.9 GB μνήμης και δημιουργία γύρω από 188 tokens ανά δευτερόλεπτο
Tesla V100 FHHL— πόση μνήμη έχει;
Αυτή η GPU έχει 16 GB του HBM2. Γύρω από το ένα δέκατο είναι δεσμευμένο από την εκτέλεση συμπερασμού και τον οδηγό, αφήνοντας περίπου 14.4 GB διαθέσιμο για ένα μοντέλο και τη συζήτησή του.
Tesla V100 FHHL— ποια είναι η εύρος ζώνης μνήμης της;
Η μνημονική εύρος ζώνης φτάνει 827 GB/s πέρα από ένα λεωφορείο του 4,096 μπίτ. Αυτή είναι η μοναδική καλύτερη πρόβλεψη για το πόσο γρήγορα παράγει κείμενο, επειδή η παραγωγή κάθε token σημαίνει την ανάγνωση ολόκληρου του μοντέλου έξω από τη μνήμη μία φορά.
Tesla V100 FHHL— ποιο τύπο μνήμης χρησιμοποιεί;
Χρησιμοποιεί HBM2 χρονισμένος σε 808 MHz. Οι τύποι HBM βρίσκονται σε επιταχυντές κέντρων δεδομένων και διαθέτουν πολύ περισσότερη εύρυθμη απόδοση από την GDDR που χρησιμοποιείται σε GPU καρτών επιτραπέζιου υπολογιστή, γι' αυτό και δημιουργούν tokens σημαντικά πιο γρήγορα με την ίδια χωρητικότητα.
Tesla V100 FHHL— ποιος το κατασκευάζει;
Αυτό είναι ένα προϊόν του NVIDIA, με το τσιπ που κατασκευάστηκε από TSMC, σε μια διαδικασία της 12 νμ.
Tesla V100 FHHL— πότε κυκλοφόρησε;
Δημοσιεύτηκε το March 2018.
Tesla V100 FHHL— πόση ισχύς χρησιμοποιεί;
Η αξιολογούμενη ισχύς της κάρτας είναι 250 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 600 W. Η δημιουργία κειμένου απαιτεί ένταση σε εκρήξεις και είναι σε κατάσταση αναμονής μεταξύ των αιτημάτων, οπότε η μέση κατανάλωση κατά τη διάρκεια μιας εργάσιμης συνεδρίας είναι κανονικά πολύ κάτω από την αξιολογούμενη τιμή.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το υλικό. Αν ήδη ξέρετε ποιο ΜΟΝΤΕΛ θέλετε και χρειάζεστε να ξέρετε τι απαιτείται για να το ΤΡΕΞΕΤΕ., Αρχίστε από το ΜΟΝΤΕΛΟ..