Υπολογίστε την TPS του L40 CNX 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
721 μοντέλα στον κατάλογό μας συνολικά
Το μεγαλύτερο μοντέλο που κρατάει
Mixtral 8x7B
46.7B · Q3_K_M · 76.5 tok/s
Ταχύτερο μοντέλο
Gemma 3 QAT 1B
366 tok/s · 1B
Ποια AI μοντέλα μπορούν να τρέξουν σε μια L40 CNX?
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.
532 τα μοντέλα ταιριάζουν
Υπολογισμός| Ποσοτικοποίηση | Καλά | ||||||
|---|---|---|---|---|---|---|---|
|
366
tok/s
311–439 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k μουσικά κομμάτια | Q8_0 | Άνετο |
|
366
tok/s
311–439 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k μουσικά κομμάτια | Q8_0 | Άνετο |
|
366
tok/s
220–585 · χαμηλή εμπιστοσύνη |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
366
tok/s
220–585 · χαμηλή εμπιστοσύνη |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
366
tok/s
220–585 · χαμηλή εμπιστοσύνη |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
366
tok/s
220–585 · χαμηλή εμπιστοσύνη |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
339
tok/s
203–542 · χαμηλή εμπιστοσύνη |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
333
tok/s
200–532 · χαμηλή εμπιστοσύνη |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
333
tok/s
200–532 · χαμηλή εμπιστοσύνη |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
333
tok/s
200–532 · χαμηλή εμπιστοσύνη |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
333
tok/s
200–532 · χαμηλή εμπιστοσύνη |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
305
tok/s
183–488 · χαμηλή εμπιστοσύνη |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
305
tok/s
183–488 · χαμηλή εμπιστοσύνη |
LFM2-1.2B ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
305
tok/s
183–488 · χαμηλή εμπιστοσύνη |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
305
tok/s
183–488 · χαμηλή εμπιστοσύνη |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
305
tok/s
183–488 · χαμηλή εμπιστοσύνη |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
298
tok/s
253–357 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k μουσικά κομμάτια | Q8_0 | Άνετο |
|
293
tok/s
176–469 · χαμηλή εμπιστοσύνη |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k μουσικά κομμάτια ? | Q8_0 | Άνετο |
|
281
tok/s
169–450 · χαμηλή εμπιστοσύνη |
Otter ≈ | 1.3B | May 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
L40 CNX 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
- 24 GB
- Μνήμη εύρους ζώνης
- 864 GB/s
- Τύπος μνήμης
- GDDR6
- Πλάτος διαύλου μνήμης
- 384 bit
- Ρολογιά μνήμης
- 2.25 GHz
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
- AD102
- Αρχιτεκτονική
- Ada Lovelace
- Γενιά
- Server Ada(Lxx)
- Μέταλλο
- TSMC
- Μέγεθος διαδικασίας
- 5 nm
- Τρανζίστορ
- 76.3 billion
- Πυκνότητα τρανζίστορ
- 125,300 K/mm²
- Μέγεθος τσιπ
- 609 mm²
- Απελευθερώθηκε
- 13 October 2022
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
- 1.01 GHz
- Ωθήσει ρολογιού
- 2.48 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
- 18,176
- Μονάδες Χαρτογράφησης Υφής
- 568
- Μονάδες εξόδου απόδοσης
- 192
- Ροή πολλών επεξεργαστών
- 142
- Πυρήνες Tensor
- 568
- Πυρήνες ακτίνων-ιχνηλασίας
- 142
- L1 κρυφή μνήμη
- 128 KB
- L2 κρυφή μνήμη
- 48 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)
- 90 TFLOPS
- Μονή ακρίβεια (FP32)
- 90 TFLOPS
- Διπλή ακρίβεια (FP64)
- 1.4 TFLOPS
- Ρυθμός εικονοστοιχείων
- 475 GPixel/s
- Ρυθμός υφής
- 1,406 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)
- 300 W
- Προτεινόμενη τροφοδοσία
- 700 W
- Συνδέσεις ρεύματος
- 1x 16-pin
- Διασύνδεση λεωφορείου
- PCIe 4.0 x16
- Πλάτος υποδοχής
- Dual-slot
- Διαστάσεις
- 267 mm
- Εμφάνιση εξόδων
- 1x HDMI 2.1, 3x DisplayPort 1.4a
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
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Βούλκαν
- 1.4
- OpenCL
- 3.0
- Μοντέλο Σκίασης
- 6.8
Καταχωρίσεις
Πού να αγοράσω ένα L40 CNX
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
Μνήμη: η προδιαγραφή που αποφασίζει τα πάντα
Μνήμη
24 GB
Εύρος ζώνης
864 GB/s
Μεγαλύτερο μοντέλο
Mixtral 8x7B
L40 CNX φερεί 24 GB του GDDR6. Αυτό καλύπτει τα μεσαίου μεγέθους μοντέλα που τρέχουν οι περισσότεροι άνθρωποι. Μόλις ο χρόνος εκτέλεσης και ο οδηγός κρατήσουν τον χώρο εργασίας τους, περίπου αυτό το ποσό μένει: 21.6 GB.
Η μνημονική εύρος ζώνης φτάνει 864 GB/s πέρα από ένα λεωφορείο του 384 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 2.25 GHz. Διεύρυνση του λεωφορείου και αύξηση του ρολογιού είναι οι δύο μοχλοί που έχει ένας κατασκευαστής, γι' αυτό και μια κάρτα με αδιάφορους πυρήνες μπορεί ακόμα να παράγει γρήγορα.
Η πρακτική οροφή είναι Mixtral 8x7B, 46.7B, συμπιεσμένο σε Q3_K_M και δημιουργώντας γύρω 76.5 tokens ανά δευτερόλεπτο
Το τσιπ και πώς κατασκευάστηκε
L40 CNX είναι κατασκευασμένο πάνω στον επεξεργαστή γραφικών AD102, χρησιμοποιώντας την αρχιτεκτονική Ada Lovelace από NVIDIA, ως μέρος της γενιάς Server Ada(Lxx).
Το τσιπ κατασκευάζεται από TSMC, σε μια διαδικασία της 5 νμ, με ένα ζάρι που μετράει 609 mm², κρατώντας 76.3 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 October 2022, χονδρικά 3.9198154359649 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
90 TFLOPS
FP64
1.4 TFLOPS
Πυρήνες Tensor
568
Στο χαρτί L40 CNX φθάνει 90 TFLOPS σε μισή ακρίβεια, και 90 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 1.4 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 568 Πυρήνες Tensor διάσπαρτα 142 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 1.01 GHz σε μια αύξησηของ 2.48 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
L40 CNX έχει L1 cache της 128 KB, υποστηριζόμενο από μια L2 cache του 48 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 18,176 Μονάδες σκίασης, 568 Μονάδες Χαρτογράφησης Υφής, και 192 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
300 W
L40 CNX βαθμολογείται σε 300 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 700 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 dual-slot, μετρήσεις 267 μμ μήκους, και χρειάζεται 1x 16-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 4.0 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 L40 CNX
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 L40 CNX
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 L40 CNX
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 532 μοντέλα που τρέχει αυτή η κάρτα. Η αναζήτηση περιορίζει τη λίστα κατά όνομα ή κατά μέγεθος.
-
02
Ορίστε το μήκος του πλαισίου (context length) που θα χρησιμοποιήσεις πραγματικά
Σύρε τον μοχλό στο μήκος της συνομιλίας που σκοπεύεις να εργάζεσαι. Η μνήμη αυξάνεται με τη συνομιλία, και εναντίον μιας κάρτας που κρατά 24 GB συνήθως είναι αυτό που σπρώχνει ένα μεγάλο μοντέλο πάνω από την άκρη.
-
03
Κλειδώστε τη σύγκριση σε ένα επίπεδο ποιότητας
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
Οι αριθμοί υπολογίζονται, δεν μετρώνται. Το ταχύτερο αποτέλεσμα σε αυτή την κάρτα είναι 366 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
Σφιχτό σημαίνει ότι λειτουργεί σήμερα; Άνετο σημαίνει ότι λειτουργεί ακόμα όταν η συνομιλία μεγαλώνει. Συγκρίνετε τις ανάγκες κάθε μοντέλου με βάση το διαθέσιμο. 24 GB.
-
06
Έλεγξε το ίδιο μοντέλο από την άλλη πλευρά
Κάθε όνομα μοντέλου στον πίνακα συνδέεται με τη δική του σελίδα, η οποία εκτελεί τον ίδιο υπολογισμό σε κάθε κάρτα που διατηρούμε. Εκεί είναι που βλέπετε εάν η σωστή αγορά είναι L40 CNX.
Απαντήσεις
L40 CNX — κοινές ερωτήσεις
L40 CNX— μπορεί να τρέξει ένα μοντέλο που δεν χωράει στη μνήμη του;
Φορτίο πέρα από την κάρτα 24 GB κάθονται στη μνήμη του συστήματος και λειτουργούν σε ένα κλάσμα της ταχύτητας, έτσι ένα κυρίως εκφορτωμένο μοντέλο σπάνια αξίζει να χρησιμοποιηθεί. Κάθε αριθμός εδώ υποθέτει ότι είναι πλήρως εγκατεστημένο στην κάρτα.
Θα μπορούσαν δύο L40 CNX οι κάρτες θα είναι δύο φορές πιο γρήγορες;
Η ζεύγωση τους αγοράζει περιθώριο αντί για ταχύτητα: 48 GB συνδυασμένης μνήμης, με περίπου την ίδια ταχύτητα γενιάς όπως μία.
L40 CNX— ποια AI μοντέλα μπορεί να εκτελέσει;
532 του 721 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.
L40 CNX— ποιο είναι το μεγαλύτερο AI μοντέλο που μπορεί να τρέξει;
Το μεγαλύτερο μοντέλο στον κατάλογό μας που χωράει είναι Mixtral 8x7B σε 46.7B παραμέτρους, συμπιεσμένο σε Q3_K_M. Παράγει περίπου 76.5 δεσμεύσεις ανά δευτερόλεπτο και χρειάζονται περίπου 21.0 GB της μνήμης της κάρτας.
L40 CNX— πόσοι τόκεν ανά δευτερόλεπτο παράγει;
Εξαρτάται από το ΜΟΝΤΕΛΟ. Το πιο γρήγορο ΜΟΝΤΕΛΟ που παρακολουθούμε εδώ είναι Gemma 3 QAT 1B γύρω από 366 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.
L40 CNX— μπορεί να τρέξει 7B μοντέλα;
Ναι. Για παράδειγμα τρέχει. Gemma 4 E4B σε Q8_0, χρησιμοποιώντας περίπου 9.8 GB μνήμης και δημιουργία γύρω από 81.3 tokens ανά δευτερόλεπτο
L40 CNX— μπορεί να τρέξει 13B μοντέλα;
Ναι. Για παράδειγμα τρέχει. DeepSeekMoE-16B σε Q8_0, χρησιμοποιώντας περίπου 17.5 GB μνήμης και δημιουργία γύρω από 127 tokens ανά δευτερόλεπτο
L40 CNX— μπορεί να τρέξει 30B μοντέλα;
Ναι. Για παράδειγμα τρέχει. Nemotron 3-Nano-30B-A3B σε Q4_K_M, χρησιμοποιώντας περίπου 18.1 GB μνήμης και δημιουργία γύρω από 149 tokens ανά δευτερόλεπτο
L40 CNX— πόση μνήμη έχει;
Αυτή η GPU έχει 24 GB του GDDR6. Γύρω από το ένα δέκατο είναι δεσμευμένο από την εκτέλεση συμπερασμού και τον οδηγό, αφήνοντας περίπου 21.6 GB διαθέσιμο για ένα μοντέλο και τη συζήτησή του.
L40 CNX— ποια είναι η εύρος ζώνης μνήμης της;
Η μνημονική εύρος ζώνης φτάνει 864 GB/s πέρα από ένα λεωφορείο του 384 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.
L40 CNX— ποιο τύπο μνήμης χρησιμοποιεί;
Χρησιμοποιεί GDDR6 χρονισμένος σε 2.25 GHz. 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.
L40 CNX— ποιος το κατασκευάζει;
Αυτό είναι ένα προϊόν του NVIDIA, με το τσιπ που κατασκευάστηκε από TSMC, σε μια διαδικασία της 5 νμ.
L40 CNX— πότε κυκλοφόρησε;
Δημοσιεύτηκε το October 2022.
L40 CNX— πόση ισχύς χρησιμοποιεί;
Η αξιολογούμενη ισχύς της κάρτας είναι 300 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 700 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.
L40 CNX— πόσο cache έχει;
Η μνήμη L1 είναι 128 KB, και η L2 cache είναι 48 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.
L40 CNX— ποιοι είναι οι TFLOPS του;
Αξιολογείται σε 90 TFLOPS σε μισή ακρίβεια και 90 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.
L40 CNX— πόσους πυρήνες τензόρ έχει;
Έχει 568 Πυρήνες Tensor διάσπαρτα 142 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.
L40 CNX— υποστηρίζει CUDA;
Ναι. Αναφέρει την ικανότητα υπολογισμού CUDA. 8.9. 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.
L40 CNX— ποια είναι η διεπαφή bus που χρησιμοποιεί;
Χρησιμοποιεί PCIe 4.0 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.
L40 CNX— είναι καλό για να τρέξετε τοπικά AI μοντέλα;
Η μνήμη του καλύπτει άνετα τα μεσαίου μεγέθους μοντέλα που η πλειοψηφία των ανθρώπων τρέχει τοπικά και το εύρος ζώνης του είναι αρκετά υψηλό για να παράγει κείμενο γρηγορότερα από ότι οι περισσότεροι άνθρωποι διαβάζουν. Στο σύνολό του λειτουργεί 532 των μοντέλων που παρακολουθούμε. Εάν αυτό είναι αρκετό εξαρτάται αποκλειστικά από το ποιο μοντέλο θέλετε — ο παραπάνω πίνακας απαντά σε αυτό απευθείας.
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..