Calcular el TPS del Tesla P4 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
Baichuan 1-13B
13.3B · Q3_K_M · 14.1 tok/s
Modelo más rápido
Gemma 3 QAT 1B
69.2 tok/s · 1B
¿Qué modelos de IA pueden ejecutarse en un Tesla P4?
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.
337 modelos coinciden
Calculando| Cuantización | Ajustar | ||||||
|---|---|---|---|---|---|---|---|
|
69.2
tok/s
24–138 · baja confianza |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
69.2
tok/s
24–138 · baja confianza |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
69.2
tok/s
24–138 · baja confianza |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
69.2
tok/s
24–138 · baja confianza |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
69.2
tok/s
24–138 · baja confianza |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
69.2
tok/s
24–138 · baja confianza |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
64.1
tok/s
22–128 · baja confianza |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
62.9
tok/s
22–126 · baja confianza |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
62.9
tok/s
22–126 · baja confianza |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
62.9
tok/s
22–126 · baja confianza |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
62.9
tok/s
22–126 · baja confianza |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
57.7
tok/s
20–115 · baja confianza |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
57.7
tok/s
20–115 · baja confianza |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
57.7
tok/s
20–115 · baja confianza |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
57.7
tok/s
20–115 · baja confianza |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
56.3
tok/s
20–113 · baja confianza |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokens | Q8_0 | Cómodo |
|
55.5
tok/s
19–111 · baja confianza |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · baja confianza |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
53.3
tok/s
19–107 · 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
Tesla P4 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
- 8 GB
- Ancho de banda de memoria
- 192 GB/s
- Tipo de memoria
- GDDR5
- Ancho de bus de memoria
- 256 bit
- Reloj de memoria
- 1.5 GHz
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
- GP104
- Arquitectura
- Pascal
- Generación
- Tesla Pascal(Pxx)
- Fundición
- TSMC
- Tamaño del proceso
- 16 nm
- Transistores
- 7.2 billion
- Densidad de transistores
- 22,900 K/mm²
- Tamaño de die
- 314 mm²
- Paquete
- BGA-2150
- Lanzado
- 13 September 2016
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
- 886 MHz
- Reloj de impulso
- 1.11 GHz
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
- 2,560
- Unidades de mapeo de texturas
- 160
- Unidades de salida de renderizado
- 64
- Multiprocesadores de streaming
- 20
- Caché L1
- 48 KB
- Caché L2
- 2 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.
- Media precisión (FP16)
- 89.1 GFLOPS
- Precisión simple (FP32)
- 5.7 TFLOPS
- Doble precisión (FP64)
- 178.2 GFLOPS
- Tasa de píxeles
- 71 GPixel/s
- Tasa de textura
- 178 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)
- 75 W
- Suministro de energía sugerido
- 250 W
- Conectores de potencia
- None
- Interfaz de bus
- PCIe 3.0 x16
- Ancho de ranura
- Single-slot
- Dimensiones
- 168 mm
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
- 6.1
- DirectX
- 12.1
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modelo de shader
- 6.8
Listados
Dónde comprar un Tesla P4
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
Lo que significa el subsistema de memoria para la IA
Memoria
8 GB
Ancho de banda
192 GB/s
Modelo más grande
Baichuan 1-13B
Tesla P4 carga solo 8 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 7.2 GB.
El ancho de banda de VRAM alcanza 192 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.
La cifra es el ancho de bus multiplicado por una frecuencia de memoria de 1.5 GHz. Es por eso que los recuentos de núcleos predicen la velocidad de generación tan mal.
Juntos, el modelo más grande que cabe es Baichuan 1-13B, 13.3B, comprimido a Q3_K_M y generando alrededor 14.1 tokens por segundo
El chip y cómo fue construido
Tesla P4 está construido en el GPU GP104, usando la arquitectura Pascal desde NVIDIA, como parte de la generación Tesla Pascal(Pxx).
El chip es fabricado por TSMC, en un proceso de 16 nm, con un dado que mide 314 mm², sosteniendo 7.2 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 September 2016, aproximadamente 9.8820325487084 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
FP16
89.1 GFLOPS
FP64
178.2 GFLOPS
En papel Tesla P4 alcanza 89.1 GFLOPS a media precisión, y 5.7 TFLOPS a simple precisión. Estas son cifras pico que ninguna carga de trabajo real sostiene, y generar texto alcanza solo una pequeña fracción de ellas; la decodificación está limitada por la memoria en lugar de la aritmética, por lo que una tarjeta puede parecer enormemente poderosa aquí y aún así producir tokens a una tasa ordinaria.
El rendimiento de doble precisión alcanza 178.2 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 886 MHz a un aumento de 1.11 GHz. 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
Tesla P4 tiene una caché L1 de 48 KB, respaldado por una caché L2 de 2 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 2,560 Unidades de sombreado, 160 Unidades de mapeo de texturas, y 64 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
75 W
Tesla P4 está clasificado en 75 , y la fuente de alimentación del sistema sugerida es 250 . 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 single-slot, medir 168 mm largo. 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 PCIe 3.0 x16. 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 Tesla P4
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 Tesla P4
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 Tesla P4
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
Comienza con el modelo, no la especificación.
La tabla enumera 337 modelos que la tarjeta maneja. El cuadro de búsqueda acepta un nombre o un tamaño como 27b, que coincide con el conteo de parámetros.
-
02
Decide cuánto duran tus conversaciones.
Las conversaciones más largas cuestan memoria además de los pesos. En contra 8 GB así que la configuración vale la pena ajustarla.
-
03
Establece una calidad mínima si necesitas una.
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
Lee la velocidad y el rango
Las cifras son calculadas, no medidas. El resultado más rápido en esta tarjeta es 69.2 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
Verifica el margen antes de decidir
Tight significa que funciona hoy; comfortable significa que aún funciona cuando la conversación crece. Comparar lo que cada modelo necesita contra un disponible. 8 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 Tesla P4.
Respuestas
Tesla P4 — preguntas comunes
Tesla P4— ¿Puede ejecutarse? 7B modelos?
Sí. Por ejemplo, se ejecuta. MetaMath 7B (LLaMa finetune) en Q4_K_M, usando alrededor 6.5 GB de VRAM y generando alrededor 22.8 tokens por segundo
Tesla P4— ¿Puede ejecutarse? 13B modelos?
Sí. Por ejemplo, se ejecuta. Gemma 4 12B en Q3_K_M, usando alrededor 6.5 GB de VRAM y generando alrededor 15.6 tokens por segundo
Tesla P4— ¿Cuánta VRAM tiene?
Esta tarjeta tiene 8 GB de GDDR5. Alrededor de una décima es reservada por el tiempo de ejecución de inferencia y el controlador, dejando aproximadamente 7.2 GB disponible para un modelo y su conversación.
Tesla P4— ¿Cuál es su ancho de banda de VRAM?
El ancho de banda de VRAM alcanza 192 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.
Tesla P4— ¿qué tipo de memoria utiliza?
Utiliza GDDR5 funcionando a 1.5 GHz. 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.
Tesla P4— ¿Quién lo hace?
Este es un producto de NVIDIA, con el chip fabricado por TSMC, en un proceso de 16 nm.
Tesla P4— ¿cuándo fue lanzado?
Fue liberado en September 2016.
Tesla P4— ¿Cuánta potencia utiliza?
La potencia nominal de la placa es 75 , y la fuente de alimentación del sistema sugerida es 250 . 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.
Tesla P4— cuánta caché tiene?
La caché L1 es 48 KB, y la caché L2 es 2 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.
Tesla P4— ¿cuáles son sus TFLOPS?
Está calificado en 89.1 GFLOPS a media precisión y 5.7 TFLOPS a precisión simple. Estos son techos aritméticos máximos en lugar de tasas alcanzables, y la generación de texto alcanza solo una pequeña fracción de ellos porque está limitada por el ancho de banda de memoria en su lugar.
Tesla P4— ¿Soporta CUDA?
Sí. Informa sobre la capacidad de cómputo CUDA. 6.1, 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.
Tesla P4— ¿Qué interfaz de bus utiliza?
Utiliza PCIe 3.0 x16. 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.
Tesla P4— ¿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 337 de los modelos que seguimos. Si eso es suficiente depende completamente de qué modelo quieras — la tabla anterior responde eso directamente.
Tesla P4— ¿Puede ejecutar un modelo que no cabe en su VRAM?
Se puede dividir, con el desbordamiento mantenido en la memoria del sistema más allá de la tarjeta. 8 GB sentarse en la memoria del sistema y ejecutarse a una fracción de la velocidad, por lo que un modelo principalmente descargado rara vez vale la pena usar. Cada cifra aquí asume que está completamente residente en la tarjeta.
¿Serían dos Tesla P4 ¿Las tarjetas serán dos veces más rápidas?
La capacidad se suma, el rendimiento no. Dos de ellos te dan 16 GB trabajar con en lugar de el doble de tokens por segundo — cada cifra aquí es para una sola tarjeta.
Tesla P4— ¿Qué modelos de IA puede ejecutar?
337 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.
Tesla P4— ¿Cuál es el modelo de IA más grande que puede ejecutar?
El modelo más grande en nuestro catálogo que se ajusta es Baichuan 1-13B en 13.3B parámetros, comprimido a Q3_K_M. Genera aproximadamente 14.1 tokens por segundo y necesita aproximadamente 7.2 GB de la memoria de la tarjeta.
Tesla P4— cuántos tokens por segundo produce?
Depende del modelo. El modelo más rápido que seguimos aquí es Gemma 3 QAT 1B a aproximadamente 69.2 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.
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..