Υπολογίστε την TPS του Data Center GPU Flex 140 σε τοπικά AI μοντέλα

Intel 6 GB GDDR6 186 GB/s August 2022

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

266 μοντέλα που μπορεί να εκτελέσει

679 μοντέλα στον κατάλογό μας συνολικά

Το μεγαλύτερο μοντέλο που κρατάει

Qwen-VL

9.6B · Q3_K_M · 14.4 tok/s

Ταχύτερο μοντέλο

Gemma 3 QAT 1B

51.2 tok/s · 1B

Ποια AI μοντέλα μπορούν να τρέξουν σε μια Data Center GPU Flex 140?

Ορίστε τις εισόδους, διαβάστε την απάντηση

Μήκος συμφραζομένων μουσικά κομμάτια

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..

Ελάχιστη ποιότητα

Κρύβει μοντέλα που θα χωρούσαν μόνο αν συμπιεστούν κάτω από αυτό το σημείο.

Αναζήτηση μοντέλων

Μέγεθος μοντέλου

Απελευθερώθηκε

Επίσης δείξτε μοντέλα που δεν μπορεί να τρέξει

266 τα μοντέλα ταιριάζουν

Υπολογισμός

						Ποσοτικοποίηση	Καλά
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k μουσικά κομμάτια	Q8_0	Άνετο
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k μουσικά κομμάτια	Q8_0	Άνετο
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
51.2 tok/s 31–82 · χαμηλή εμπιστοσύνη	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
47.4 tok/s 28–76 · χαμηλή εμπιστοσύνη	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
46.6 tok/s 28–74 · χαμηλή εμπιστοσύνη	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
46.6 tok/s 28–74 · χαμηλή εμπιστοσύνη	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
46.6 tok/s 28–74 · χαμηλή εμπιστοσύνη	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
46.6 tok/s 28–74 · χαμηλή εμπιστοσύνη	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
42.7 tok/s 26–68 · χαμηλή εμπιστοσύνη	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
42.7 tok/s 26–68 · χαμηλή εμπιστοσύνη	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
42.7 tok/s 26–68 · χαμηλή εμπιστοσύνη	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
42.7 tok/s 26–68 · χαμηλή εμπιστοσύνη	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
41.6 tok/s 25–67 · χαμηλή εμπιστοσύνη	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	113k μουσικά κομμάτια	Q8_0	Άνετο
41.1 tok/s 25–66 · χαμηλή εμπιστοσύνη	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · χαμηλή εμπιστοσύνη	Otter ≈	1.3B	May 2023	2.1 GB	131k μουσικά κομμάτια ?	Q8_0	Άνετο
39.4 tok/s 24–63 · 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

Data Center GPU Flex 140 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: 6 GB
Μνήμη εύρους ζώνης: 186 GB/s
Τύπος μνήμης: GDDR6
Πλάτος διαύλου μνήμης: 96 bit
Ρολογιά μνήμης: 1.94 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: DG2-128
Αρχιτεκτονική: Xe-HPG
Γενιά: Data Center GPU(Arctic Sound)
Μέταλλο: TSMC
Μέγεθος διαδικασίας: 6 nm
Τρανζίστορ: 7.2 billion
Πυκνότητα τρανζίστορ: 45,900 K/mm²
Μέγεθος τσιπ: 157 mm²
Απελευθερώθηκε: 24 August 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: 1.6 GHz
Ωθήσει ρολογιού: 1.95 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: 1,024
Μονάδες Χαρτογράφησης Υφής: 64
Μονάδες εξόδου απόδοσης: 32
Πυρήνες ακτίνων-ιχνηλασίας: 8
L2 κρυφή μνήμη: 4 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): 8 TFLOPS
Μονή ακρίβεια (FP32): 4 TFLOPS
Ρυθμός εικονοστοιχείων: 62 GPixel/s
Ρυθμός υφής: 125 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): 75 W
Προτεινόμενη τροφοδοσία: 250 W
Συνδέσεις ρεύματος: 1x 8-pin
Διασύνδεση λεωφορείου: PCIe 4.0 x8
Πλάτος υποδοχής: Single-slot
Διαστάσεις: 170 mm × 29 mm
Εμφάνιση εξόδων: 1x HDMI 2.1, 3x DisplayPort 2.0

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.

DirectX: 12.2
OpenGL: 4.6
Βούλκαν: 1.4
OpenCL: 3.0
Μοντέλο Σκίασης: 6.6

Καταχωρίσεις

Πού να αγοράσω ένα Data Center GPU Flex 140

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

Γιατί η μνήμη είναι ο αριθμός που έχει σημασία εδώ

Μνήμη

6 GB

Εύρος ζώνης

186 GB/s

Μεγαλύτερο μοντέλο

Qwen-VL

Data Center GPU Flex 140 κρατά μόνο 6 GB του GDDR6. Αυτό περιορίζει το μοντέλο στο μικρότερο άκρο του καταλόγου, και ένα μοντέλο πρέπει να χωράει ολόκληρο πριν δημιουργήσει οτιδήποτε. Ένα runtime στην πραγματικότητα παίρνει περίπου 5.4 GB.

Η μνημονική εύρος ζώνης φτάνει 186 GB/s πέρα από ένα λεωφορείο του 96 μπίτ. Η διαύγεια είναι ο πραγματικός περιορισμός αυτής της κάρτας. Κάθε τοκέν απαιτεί την ανάγνωση ολόκληρου του μοντέλου από την VRAM, οπότε ένα μεγάλο μοντέλο θα αισθάνεται αργό εδώ ακόμα και όταν χωράει.

Αυτό προέρχεται από ένα memory clock του 1.94 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.

Στην πράξη, αυτός ο συνδυασμός φτάνει στο ανώτερο επίπεδο σε Qwen-VL, 9.6B, συμπιεσμένο σε Q3_K_M και δημιουργώντας γύρω 14.4 tokens ανά δευτερόλεπτο

Το τσιπ και πώς κατασκευάστηκε

Data Center GPU Flex 140 είναι κατασκευασμένο πάνω στον επεξεργαστή γραφικών DG2-128, χρησιμοποιώντας την αρχιτεκτονική Xe-HPG από Intel, ως μέρος της γενιάς Data Center GPU(Arctic Sound).

Το τσιπ κατασκευάζεται από TSMC, σε μια διαδικασία της 6 νμ, με ένα ζάρι που μετράει 157 mm², κρατώντας 7.2 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 August 2022, χονδρικά 3.9366567930862 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

8 TFLOPS

Στο χαρτί Data Center GPU Flex 140 φθάνει 8 TFLOPS σε μισή ακρίβεια, και 4 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.

Οι ρολόγια τρέχουν από μια βάση του 1.6 GHz σε μια αύξησηของ 1.95 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

υποστηριζόμενο από μια L2 cache του 4 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 1,024 Μονάδες σκίασης, 64 Μονάδες Χαρτογράφησης Υφής, και 32 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

75 W

Data Center GPU Flex 140 βαθμολογείται σε 75 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 250 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, μετρήσεις 170 μμ μήκους, 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 4.0 x8. 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 Data Center GPU Flex 140

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..

01 Qwen3.5-9B 9B · Q3_K_M · Feb 2026 15.4 tok/s
02 NVIDIA-Nemotron-Nano-9B-v2 9B · Q3_K_M · Aug 2025 15.4 tok/s
03 Ovis2.5 9B 9B · Q3_K_M · Aug 2025 15.4 tok/s
04 GLM-4.1V-Thinking 9B · Q3_K_M · Aug 2025 15.4 tok/s
05 MamayLM 9B · Q3_K_M · Apr 2025 15.4 tok/s
06 GLM-4-9B-0414 9B · Q3_K_M · Apr 2025 15.4 tok/s
07 SimPO 9B · Q3_K_M · Nov 2024 15.4 tok/s
08 GLM-4V-9B 9B · Q3_K_M · Jun 2024 15.4 tok/s
09 Persimmon-8B 9.3B · Q3_K_M · Sep 2023 14.9 tok/s
10 Qwen-VL 9.6B · Q3_K_M · Aug 2023 14.4 tok/s

Οι ταχύτεροι AI μοντέλα σε μια Data Center GPU Flex 140

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..

01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 51.2 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 51.2 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 47.4 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 46.6 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 46.6 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 46.6 tok/s

Βήμα προς βήμα

Πώς να υπολογίσετε τους TOKENS ανά ΔΕΥΤΕΡΟΛΕΠΤΟ ενός Data Center GPU Flex 140

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

Αναζητήστε το μοντέλο που θέλετε

Ο πίνακας απαριθμεί 266 μοντέλα που τρέχει αυτή η κάρτα. Η αναζήτηση περιορίζει τη λίστα κατά όνομα ή κατά μέγεθος.
02

Αποφασίστε πόσο πολύ διαρκούν οι συνομιλίες σας

Σύρε τον μοχλό στο μήκος της συνομιλίας που σκοπεύεις να εργάζεσαι. Η μνήμη αυξάνεται με τη συνομιλία, και εναντίον μιας κάρτας που κρατά 6 GB αυτό είναι συχνά η διαφορά μεταξύ ενός μοντέλου που ταιριάζει και ενός που δεν ταιριάζει.
03

Επιλέξτε πόσο μακριά θα συμπιέσετε

Κάθε μοντέλο εμφανίζεται στη καλύτερη συμπίεση που μπορεί να κρατήσει αυτή η ΚΑΡΤΑ. Μια ελάχιστη ποιότητα κρύβει εκείνα που χωρούν μόνο αν σφίγγονται περισσότερο από ό,τι θα αποδεχόσασταν.
04

Κοίτα το φάσμα, όχι μόνο τον αριθμό

Κάθε ταχύτητα είναι μια εκτίμηση για μια μεμονωμένη συνομιλία, με μια κλίμακα από κάτω της. Η κορυφαία τιμή εδώ είναι 51.2 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

Έλεγξε τη στήλη μνήμης πριν δεσμεύσεις

Μια στενή εφαρμογή τρέχει αλλά δεν αφήνει χώρο για να αυξήσει το context αργότερα; άνετη έχει περιθώριο. Η στήλη μνήμης δείχνει τι χρειάζεται κάθε μοντέλο σε σχέση με διαθέσιμο. 6 GB.
06

Έλεγξε το ίδιο μοντέλο από την άλλη πλευρά

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 Data Center GPU Flex 140.

Απαντήσεις

Data Center GPU Flex 140 — κοινές ερωτήσεις

Data Center GPU Flex 140— μπορεί να τρέξει ένα μοντέλο που δεν χωράει στη μνήμη του;

Μόνο μερικώς. Επίπεδα πέρα από την κάρτα. 6 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 Data Center GPU Flex 140 οι κάρτες θα είναι δύο φορές πιο γρήγορες;

Η χωρητικότητα προστίθεται, η ροή δεν προστίθεται. Δύο από αυτά σας δίνουν 12 GB να εργάζεστε με αντί για διπλάσιο αριθμό τ tokens ανά δευτερόλεπτο — κάθε νούμερο εδώ αναφέρεται σε μία μόνο κάρτα.

Data Center GPU Flex 140— ποια AI μοντέλα μπορεί να εκτελέσει;

266 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.

Data Center GPU Flex 140— ποιο είναι το μεγαλύτερο AI μοντέλο που μπορεί να τρέξει;

Το μεγαλύτερο μοντέλο στον κατάλογό μας που χωράει είναι Qwen-VL σε 9.6B παραμέτρους, συμπιεσμένο σε Q3_K_M. Παράγει περίπου 14.4 δεσμεύσεις ανά δευτερόλεπτο και χρειάζονται περίπου 5.4 GB της μνήμης της κάρτας.

Data Center GPU Flex 140— πόσοι τόκεν ανά δευτερόλεπτο παράγει;

Εξαρτάται από το ΜΟΝΤΕΛΟ. Το πιο γρήγορο ΜΟΝΤΕΛΟ που παρακολουθούμε εδώ είναι Gemma 3 QAT 1B γύρω από 51.2 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.

Data Center GPU Flex 140— μπορεί να τρέξει 7B μοντέλα;

Ναι. Για παράδειγμα τρέχει. MetaMath 7B (Mistral finetune) σε IQ4_XS, χρησιμοποιώντας περίπου 5.1 GB μνήμης και δημιουργία γύρω από 18.0 tokens ανά δευτερόλεπτο

Data Center GPU Flex 140— πόση μνήμη έχει;

Αυτή η GPU έχει 6 GB του GDDR6. Γύρω από το ένα δέκατο είναι δεσμευμένο από την εκτέλεση συμπερασμού και τον οδηγό, αφήνοντας περίπου 5.4 GB διαθέσιμο για ένα μοντέλο και τη συζήτησή του.

Data Center GPU Flex 140— ποια είναι η εύρος ζώνης μνήμης της;

Η μνημονική εύρος ζώνης φτάνει 186 GB/s πέρα από ένα λεωφορείο του 96 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.

Data Center GPU Flex 140— ποιο τύπο μνήμης χρησιμοποιεί;

Χρησιμοποιεί GDDR6 χρονισμένος σε 1.94 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.

Data Center GPU Flex 140— ποιος το κατασκευάζει;

Αυτό είναι ένα προϊόν του Intel, με το τσιπ που κατασκευάστηκε από TSMC, σε μια διαδικασία της 6 νμ.

Data Center GPU Flex 140— πότε κυκλοφόρησε;

Δημοσιεύτηκε το August 2022.

Data Center GPU Flex 140— πόση ισχύς χρησιμοποιεί;

Η αξιολογούμενη ισχύς της κάρτας είναι 75 W, και η προτεινόμενη τροφοδοσία συστήματος είναι 250 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.

Data Center GPU Flex 140— πόσο cache έχει;

και η L2 cache είναι 4 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.

Data Center GPU Flex 140— ποιοι είναι οι TFLOPS του;

Αξιολογείται σε 8 TFLOPS σε μισή ακρίβεια και 4 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.

Data Center GPU Flex 140— υποστηρίζει CUDA;

Όχι. Η CUDA είναι αποκλειστική για την NVIDIA και αυτή είναι μια κάρτα από Intel. Εκτελεί τα μοντέλα γλώσσας μέσω ROCm, Vulkan ή Metal ανάλογα με το λογισμικό, τα οποία είναι λιγότερο ώριμα από την πορεία CUDA — οι εκτιμήσεις μας επιβάλλουν ποινή γι' αυτό.

Data Center GPU Flex 140— ποια είναι η διεπαφή bus που χρησιμοποιεί;

Χρησιμοποιεί PCIe 4.0 x8. 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.

Data Center GPU Flex 140— είναι καλό για να τρέξετε τοπικά AI μοντέλα;

Η μνήμη του περιορίζει τα μικρότερα μοντέλα, αν και το εύρος ζώνης του σημαίνει ότι η γενιά θα είναι αργή σε μεγαλύτερα μοντέλα. Στην συνολική του λειτουργία είναι 266 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..

Όλες οι GPUs