Calcular el TPS del Quadro K4000M en modelos locales de IA
Cada modelo en nuestro catálogo se evalúa según esta tarjeta en la longitud de contexto y la calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de esta tarjeta y el tamaño de cada modelo una vez comprimido..
Calculado para esta tarjeta
679 modelos en nuestro catálogo en conjunto
El modelo más grande que sostiene
DeciLM 6B
5.7B · Q3_K_M · 15.3 tok/s
Modelo más rápido
Gemma 3 QAT 1B
32.3 tok/s · 1B
¿Qué modelos de IA pueden ejecutarse en un Quadro K4000M?
Establecer las entradas, leer la respuesta
Más contexto significa más memoria para la caché de conversación. La velocidad es para una conversación nueva y no cambia con esta configuración..
Oculta modelos que solo encajarían al ser comprimidos por debajo de este punto.
97 modelos coinciden
Calculando| Cuantización | Ajustar | ||||||
|---|---|---|---|---|---|---|---|
|
32.3
tok/s
11–65 · baja confianza |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
32.3
tok/s
11–65 · baja confianza |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
32.3
tok/s
11–65 · baja confianza |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
32.3
tok/s
11–65 · baja confianza |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
32.3
tok/s
11–65 · baja confianza |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
32.3
tok/s
11–65 · baja confianza |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
29.9
tok/s
10–60 · baja confianza |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
29.3
tok/s
10–59 · baja confianza |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
29.3
tok/s
10–59 · baja confianza |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
29.3
tok/s
10–59 · baja confianza |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
29.3
tok/s
10–59 · baja confianza |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
26.9
tok/s
9–54 · baja confianza |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
26.9
tok/s
9–54 · baja confianza |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
26.9
tok/s
9–54 · baja confianza |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
26.9
tok/s
9–54 · baja confianza |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
26.2
tok/s
9–52 · baja confianza |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 54k tokens | Q8_0 | Cómodo |
|
25.9
tok/s
9–52 · baja confianza |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
24.8
tok/s
9–50 · baja confianza |
Phi-1 ≈ | 1.3B | Oct 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..
En registro
Quadro K4000M especificación completa
Todo lo registrado para esta placa, ordenado por cuánto influye en ejecutar un modelo de lenguaje en lugar de cómo lo enumeraría una hoja de especificaciones. La memoria viene primero porque decide el resultado; el resto es contexto..
Memoria
Las dos especificaciones que deciden qué puede ejecutar esta tarjeta y cuán rápido. La capacidad determina qué modelos encajan; el ancho de banda establece cuántos tokens por segundo producen una vez que lo hacen.
- Tamaño de memoria
- 4 GB
- Ancho de banda de memoria
- 90 GB/s
- Tipo de memoria
- GDDR5
- Ancho de bus de memoria
- 256 bit
- Reloj de memoria
- 700 MHz
El chip
Cuál es el procesador en la placa y cómo fue fabricado. Un tamaño de proceso más pequeño generalmente significa más rendimiento para la misma potencia.
- Procesador gráfico
- GK104
- Arquitectura
- Kepler
- Generación
- Quadro Kepler-M(Kx000M)
- Fundición
- TSMC
- Tamaño del proceso
- 28 nm
- Transistores
- 3.5 billion
- Densidad de transistores
- 12,000 K/mm²
- Tamaño de die
- 294 mm²
- Paquete
- BGA-1745
- Lanzado
- 1 June 2012
Velocidades de reloj
Qué tan rápido funciona el procesador. Vale mucho menos aquí que en una prueba de rendimiento de juegos: generar texto está limitado por el ancho de banda de memoria, así que una mayor frecuencia apenas mueve el resultado.
- Frecuencia base
- 601 MHz
- Reloj de impulso
- 601 MHz
Unidades de procesamiento
Qué contiene el chip. Estos impulsan el rendimiento gráfico y son importantes principalmente para procesar un aviso largo en lugar de producir la respuesta.
- Unidades de sombreado
- 960
- Unidades de mapeo de texturas
- 80
- Unidades de salida de renderizado
- 32
- Caché L1
- 16 KB
- Caché L2
- 0.5 MB
Rendimiento teórico
Tasas aritméticas máximas publicadas para la placa. Estos son techos que ninguna carga de trabajo real alcanza, y la generación de texto alcanza una pequeña fracción de ellas porque está limitada por la memoria en lugar de la aritmética.
- Precisión simple (FP32)
- 1.2 TFLOPS
- Doble precisión (FP64)
- 48.1 GFLOPS
- Tasa de píxeles
- 12 GPixel/s
- Tasa de textura
- 48 GTexel/s
La placa
Lo que se necesita para instalar físicamente y alimentar la tarjeta: las limitaciones prácticas que deciden si se ajusta a la máquina que ya posee.
- Consumo de energía (TDP)
- 100 W
- Conectores de potencia
- None
- Interfaz de bus
- MXM-B (3.0)
- Ancho de ranura
- MXM Module
Soporte de software
Qué gráficos y interfaces de computación admite la tarjeta. La capacidad de computación CUDA es la que afecta a la inferencia: por debajo de 7.0 no hay núcleos tensoriales, y el software de inferencia moderno recurre a rutas de código más lentas.
- Capacidad de computación CUDA
- 3.0
- DirectX
- 11.0
- OpenGL
- 4.6
- Vulkan
- 1.2
- OpenCL
- 3.0
- Modelo de shader
- 5.1
Listados
Dónde comprar un Quadro K4000M
Actualmente, ningún vendedor está listando esta tarjeta. Las listaciones provienen de vendedores que las publican aquí directamente. — navegar el directorio de proveedores ver quién está vendiendo qué.
Qué significan los números
Memoria: la especificación que decide todo
Memoria
4 GB
Ancho de banda
90 GB/s
Modelo más grande
DeciLM 6B
Quadro K4000M carga solo 4 GB de GDDR5. Eso lo limita al extremo más pequeño del catálogo, y un modelo debe caber completamente dentro antes de que genere algo en absoluto. Un runtime en realidad obtiene alrededor de 3.6 GB.
El ancho de banda de VRAM alcanza 90 GB/s a través de un bus de 256 bits. El ancho de banda es la verdadera limitación de esta tarjeta. Cada token requiere leer todo el modelo de la memoria, por lo que un modelo grande se sentirá lento aquí incluso cuando quepa.
Eso proviene de un reloj de memoria de 700 MHz. Ambas mitades importan, y ninguna es visible en un benchmark de juegos.
La cosa más grande que contiene es DeciLM 6B, 5.7B, comprimido a Q3_K_M y generando alrededor 15.3 tokens por segundo
El chip y cómo fue construido
Quadro K4000M está construido en el GPU GK104, usando la arquitectura Kepler desde NVIDIA, como parte de la generación Quadro Kepler-M(Kx000M).
El chip es fabricado por TSMC, en un proceso de 28 nm, con un dado que mide 294 mm², sosteniendo 3.5 billion Transistores. Un proceso más pequeño generalmente significa más rendimiento para la misma potencia, aunque para modelos de lenguaje importa mucho menos que el subsistema de memoria.
Fue liberado en June 2012, aproximadamente 14.167146712426 hace años. El soporte de software de inferencia tiende a seguir al hardware por uno o dos años, por lo que una CARD de esta edad generalmente tiene rutas de código maduras y bien optimizadas disponibles para ella.
Rendimiento de cómputo y por qué importa menos de lo que parece
FP64
48.1 GFLOPS
El rendimiento de doble precisión alcanza 48.1 GFLOPS. No tiene relevancia para ejecutar un modelo de lenguaje — ninguna ejecución de inferencia lo utiliza — pero separa las partes de los centros de datos de las de consumo, ya que estas últimas lo restringen deliberadamente.
Las frecuencias funcionan desde una base de 601 MHz a un aumento de 601 MHz. Vale mucho menos aquí que en un benchmark de juegos: aumentar las velocidades del reloj acelera la aritmética, y la aritmética no es lo que la generación está esperando.
Cache y unidades de procesamiento
Quadro K4000M tiene una caché L1 de 16 KB, respaldado por una caché L2 de 0.5 MB. La caché absorbe una parte del tráfico de memoria que de otro modo impactaría en el bus principal, que es el único lugar en esta página donde un número diferente al ancho de banda afecta silenciosamente la velocidad de generación — un gran L2 permite que más del conjunto de trabajo permanezca cerca de los núcleos.
Hay 960 Unidades de sombreado, 80 Unidades de mapeo de texturas, y 32 Unidades de salida de renderizado. Estos manejan cargas de trabajo gráficas y contribuyen al procesamiento de prompts, pero permanecen inactivos durante gran parte del tiempo que un modelo pasa generando una respuesta.
Potencia, tamaño e instalación
Consumo de energía
100 W
Quadro K4000M está clasificado en 100 . Ejecutar un modelo de lenguaje mantiene una tarjeta ocupada en ráfagas en lugar de continuamente — consume recursos mientras genera e inactiva entre solicitudes — por lo que el consumo sostenido durante un día laboral suele estar muy por debajo de la cifra nominal.
La placa ocupa mxm module. Vale la pena comprobar con el caso y la fuente de alimentación ya en la máquina, ya que las tarjetas más grandes necesitan considerablemente más de ambos que lo que proporciona un escritorio típico.
Se conecta a través de MXM-B (3.0). La interfaz determina qué tan rápido se carga un modelo desde el disco en la tarjeta, no qué tan rápido se ejecuta una vez allí, así que un enlace más estrecho cuesta unos segundos al inicio y nada después.
Los extremos
Los modelos de IA más grandes que se ejecutan en una Quadro K4000M
Los modelos más grandes de peso abierto que caben en esta tarjeta, los más nuevos primero. Cada uno se muestra con la mejor compresión que la tarjeta puede contener..
Los modelos de IA más rápidos en un Quadro K4000M
Donde esta tarjeta produce tokens más rápido. Modelos más pequeños dominan aquí, porque generar cada token significa leer todo el modelo de la memoria una vez..
Paso a paso
Cómo calcular los tokens por segundo de un Quadro K4000M
No tienes que calcular nada a mano: la calculadora de gputps.com en esta página ya lo ha resuelto para cada modelo que esta tarjeta puede contener. Leer la respuesta lleva seis pasos..
-
01
Busca el modelo que deseas
La tabla enumera 97 modelos que esta tarjeta puede ejecutar. Buscar por nombre o por tamaño — escribir 27b coincide con el conteo de parámetros incluso cuando el nombre nunca lo indica.
-
02
Ajusta el contexto a tu trabajo
Establece el contexto a tu longitud de trabajo real. Las preguntas cortas casi no cuestan nada, pero un documento largo puede consumir una gran parte de 4 GB así que la configuración vale la pena ajustarla.
-
03
Elige qué tan lejos comprimirás
Cada modelo se muestra con la mejor compresión que esta tarjeta puede mantener. Una calidad mínima oculta aquellos que solo caben al ser comprimidos más de lo que aceptarías.
-
04
Toma el rango como la respuesta
Las velocidades vienen con barras de error por una razón. El mejor caso aquí es 32.3 tok/s en Gemma 3 QAT 1B. La misma CARD y modelo varían entre el treinta y el cincuenta por ciento entre los tiempos de ejecución de inferencia.
-
05
Lee el veredicto de ajuste último
Tight significa que funciona hoy; comfortable significa que aún funciona cuando la conversación crece. Comparar lo que cada modelo necesita contra un disponible. 4 GB.
-
06
Verificar con otro hardware
Cada nombre de modelo en la tabla enlaza a su propia página, que realiza el mismo cálculo en cada tarjeta que tenemos. Ahí es donde ves si la compra adecuada es Quadro K4000M.
Respuestas
Quadro K4000M — preguntas comunes
Quadro K4000M— ¿Cuál es el modelo de IA más grande que puede ejecutar?
El modelo más grande en nuestro catálogo que se ajusta es DeciLM 6B en 5.7B parámetros, comprimido a Q3_K_M. Genera aproximadamente 15.3 tokens por segundo y necesita aproximadamente 3.5 GB de la memoria de la tarjeta.
Quadro K4000M— cuántos tokens por segundo produce?
Depende del modelo. El modelo más rápido que seguimos aquí es Gemma 3 QAT 1B a aproximadamente 32.3 tokens por segundo, mientras que los modelos más grandes funcionan proporcionalmente más lentos porque cada token requiere leer todo el modelo de la memoria una vez. Las velocidades son estimaciones para una sola conversación a la vez.
Quadro K4000M— ¿Cuánta VRAM tiene?
Esta tarjeta tiene 4 GB de GDDR5. Alrededor de una décima es reservada por el tiempo de ejecución de inferencia y el controlador, dejando aproximadamente 3.6 GB disponible para un modelo y su conversación.
Quadro K4000M— ¿Cuál es su ancho de banda de VRAM?
El ancho de banda de VRAM alcanza 90 GB/s a través de un bus de 256 bits. Este es el único mejor predictor de qué tan rápido genera texto, porque producir cada token significa leer todo el modelo fuera de la memoria una vez.
Quadro K4000M— ¿qué tipo de memoria utiliza?
Utiliza GDDR5 funcionando a 700 MHz. Los tipos de HBM se encuentran en aceleradores de datacenters y llevan mucho más ancho de banda que el GDDR utilizado en tarjetas de escritorio, razón por la cual generan tokens considerablemente más rápido a la misma capacidad.
Quadro K4000M— ¿Quién lo hace?
Este es un producto de NVIDIA, con el chip fabricado por TSMC, en un proceso de 28 nm.
Quadro K4000M— ¿cuándo fue lanzado?
Fue liberado en June 2012.
Quadro K4000M— ¿Cuánta potencia utiliza?
La potencia nominal de la placa es 100 . Generar texto consume mucho en ráfagas y permanece inactivo entre solicitudes, por lo que el consumo promedio durante una sesión de trabajo está normalmente muy por debajo de la cifra nominal.
Quadro K4000M— cuánta caché tiene?
La caché L1 es 16 KB, y la caché L2 es 0.5 MB. La caché absorbe parte del tráfico de memoria que de otro modo alcanzaría el bus principal, por lo que un L2 más grande proporciona un leve aumento en la velocidad de generación más allá de lo que la banda ancha por sí sola predice.
Quadro K4000M— ¿Soporta CUDA?
Sí. Informa sobre la capacidad de cómputo CUDA. 3.0, que precede a los núcleos de tensor. La capacidad 7.0 y superior tiene núcleos tensor, que el software de inferencia moderno utiliza; por debajo de eso, se retrocede a rutas de código más lentas para modelos cuantizados.
Quadro K4000M— ¿Qué interfaz de bus utiliza?
Utiliza MXM-B (3.0). Esto rige qué tan rápido se carga un modelo en la tarjeta en lugar de qué tan rápido se ejecuta una vez cargado, por lo que cuesta unos segundos al inicio y nada durante la generación.
Quadro K4000M— ¿Es bueno para ejecutar modelos de IA locales?
Su memoria lo limita a modelos más pequeños, aunque su ancho de banda significa que la generación se sentirá lenta en modelos más grandes. En total, se ejecuta 97 de los modelos que seguimos. Si eso es suficiente depende completamente de qué modelo quieras — la tabla anterior responde eso directamente.
Quadro K4000M— ¿Puede ejecutar un modelo que no cabe en su VRAM?
Solo parcialmente. Capas más allá de la tarjeta. 4 GB es posible y generalmente una falsa economía: la parte de memoria del sistema es lo suficientemente lenta como para dominar el resultado.
¿Serían dos Quadro K4000M ¿Las tarjetas serán dos veces más rápidas?
No. Una segunda tarjeta duplica la memoria a 8 GB de memoria combinada, a aproximadamente la misma velocidad de generación que uno.
Quadro K4000M— ¿Qué modelos de IA puede ejecutar?
97 de la 679 modelos de lenguaje de open-weight que seguimos se ajustan en esta card y pueden ser ejecutados localmente. La tabla en esta página lista cada uno, con la memory que necesita, la cuantificación a la que funciona y una velocidad de generación estimada.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el hardware. Si ya sabes qué modelo quieres y necesitas saber qué se necesita para ejecutarlo., Comienza desde el modelo en su lugar..