Calcular el TPS del L40 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
Qwen3-Coder-Next
80B · IQ4_XS · 62.4 tok/s
Modelo más rápido
Gemma 3 QAT 1B
366 tok/s · 1B
¿Qué modelos de IA pueden ejecutarse en un L40?
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.
576 modelos coinciden
Calculando| Cuantización | Ajustar | ||||||
|---|---|---|---|---|---|---|---|
|
366
tok/s
311–439 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
366
tok/s
311–439 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokens | Q8_0 | Cómodo |
|
366
tok/s
220–585 · baja confianza |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
366
tok/s
220–585 · baja confianza |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
366
tok/s
220–585 · baja confianza |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
366
tok/s
220–585 · baja confianza |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Cómodo |
|
339
tok/s
203–542 · baja confianza |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
333
tok/s
200–532 · baja confianza |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
333
tok/s
200–532 · baja confianza |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
333
tok/s
200–532 · baja confianza |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
333
tok/s
200–532 · baja confianza |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Cómodo |
|
305
tok/s
183–488 · baja confianza |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
305
tok/s
183–488 · baja confianza |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
305
tok/s
183–488 · baja confianza |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
305
tok/s
183–488 · baja confianza |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
298
tok/s
253–357 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokens | Q8_0 | Cómodo |
|
293
tok/s
176–469 · baja confianza |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · baja confianza |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Cómodo |
|
281
tok/s
169–450 · 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
L40 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
- 48 GB
- Ancho de banda de memoria
- 864 GB/s
- Tipo de memoria
- GDDR6
- Ancho de bus de memoria
- 384 bit
- Reloj de memoria
- 2.25 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
- AD102
- Arquitectura
- Ada Lovelace
- Generación
- Server Ada(Lxx)
- Fundición
- TSMC
- Tamaño del proceso
- 5 nm
- Transistores
- 76.3 billion
- Densidad de transistores
- 125,300 K/mm²
- Tamaño de die
- 609 mm²
- Lanzado
- 13 October 2022
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
- 735 MHz
- Reloj de impulso
- 2.49 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
- 18,176
- Unidades de mapeo de texturas
- 568
- Unidades de salida de renderizado
- 192
- Multiprocesadores de streaming
- 142
- Núcleos Tensor
- 568
- Núcleos de trazado de rayos
- 142
- Caché L1
- 128 KB
- Caché L2
- 96 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)
- 90.5 TFLOPS
- Precisión simple (FP32)
- 90.5 TFLOPS
- Doble precisión (FP64)
- 1.4 TFLOPS
- Tasa de píxeles
- 478 GPixel/s
- Tasa de textura
- 1,414 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)
- 300 W
- Suministro de energía sugerido
- 700 W
- Conectores de potencia
- 1x 16-pin
- Interfaz de bus
- PCIe 4.0 x16
- Ancho de ranura
- Dual-slot
- Dimensiones
- 267 mm
- Mostrar salidas
- 4x DisplayPort 1.4a
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
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modelo de shader
- 6.8
Listados
Dónde comprar un L40
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
48 GB
Ancho de banda
864 GB/s
Modelo más grande
Qwen3-Coder-Next
L40 lleva 48 GB de GDDR6. Eso cubre los modelos de tamaño mediano que la mayoría de las personas realmente ejecutan. Una vez que el RUNTIME y el DRIVER reservan su espacio de trabajo, aproximadamente esto es lo que queda: 43.2 GB.
El ancho de banda de VRAM alcanza 864 GB/s a través de un bus de 384 bits. Generar un token significa leer cada peso una vez, por lo que esa cifra marca el ritmo más que cualquier otro número aquí, y a este nivel el texto llega más rápido de lo que la mayoría de las personas leen.
La cifra es el ancho de bus multiplicado por una frecuencia de memoria de 2.25 GHz. Ampliar el bus y aumentar el reloj son las dos palancas que tiene un fabricante, por eso una card con núcleos poco destacables aún puede generar rápidamente.
La cosa más grande que contiene es Qwen3-Coder-Next, 80B, comprimido a IQ4_XS y generando alrededor 62.4 tokens por segundo
El chip y cómo fue construido
L40 está construido en el GPU AD102, usando la arquitectura Ada Lovelace desde NVIDIA, como parte de la generación Server Ada(Lxx).
El chip es fabricado por TSMC, en un proceso de 5 nm, con un dado que mide 609 mm², sosteniendo 76.3 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 October 2022, aproximadamente 3.7995844816871 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
90.5 TFLOPS
FP64
1.4 TFLOPS
Núcleos Tensor
568
En papel L40 alcanza 90.5 TFLOPS a media precisión, y 90.5 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 1.4 TFLOPS. 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.
La tarjeta lleva 568 Núcleos Tensor a través 142 Multiprocesadores de streaming. Estos aceleran la aritmética de matrices en el corazón de un transformador, y son lo que hace que el procesamiento de solicitudes — leer un documento largo antes de responder — sea drásticamente más rápido de lo que sería de otra manera.
Las frecuencias funcionan desde una base de 735 MHz a un aumento de 2.49 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
L40 tiene una caché L1 de 128 KB, respaldado por una caché L2 de 96 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 18,176 Unidades de sombreado, 568 Unidades de mapeo de texturas, y 192 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
300 W
L40 está clasificado en 300 , y la fuente de alimentación del sistema sugerida es 700 . 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 dual-slot, medir 267 mm largo, y necesita 1x 16-pin. 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 4.0 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 L40
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 L40
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 L40
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 576 modelos que esta tarjeta ejecuta. La búsqueda reduce la lista por nombre o por tamaño.
-
02
Establece la longitud de contexto que realmente usarás
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 48 GB Esa es frecuentemente la diferencia entre un modelo que se ajusta y uno que no.
-
03
Establece una calidad mínima si necesitas una.
Por defecto, la tabla selecciona la copia menos comprimida que cabe. Establecer un límite elimina modelos que solo califican a través de una compresión fuerte.
-
04
Lee la velocidad y el rango
Cada velocidad es una estimación para una sola conversación, con un rango por debajo de ella. El extremo superior aquí es 366 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
Un ajuste apretado se ejecuta pero no deja espacio para aumentar el contexto más tarde; cómodo tiene margen. La columna de memoria muestra lo que cada modelo necesita en comparación con un disponible. 48 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 L40.
Respuestas
L40 — preguntas comunes
L40— cuánta caché tiene?
La caché L1 es 128 KB, y la caché L2 es 96 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.
L40— ¿cuáles son sus TFLOPS?
Está calificado en 90.5 TFLOPS a media precisión y 90.5 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.
L40— ¿Cuántos núcleos Tensor tiene?
Tiene 568 Núcleos Tensor a través 142 Multiprocesadores de streaming. Aceleran la aritmética matricial de la que se construye un TRANSFORMADOR, lo que principalmente acelera el procesamiento de un PROMPT largo en lugar de producir la respuesta.
L40— ¿Soporta CUDA?
Sí. Informa sobre la capacidad de cómputo CUDA. 8.9. 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.
L40— ¿Qué interfaz de bus utiliza?
Utiliza PCIe 4.0 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.
L40— ¿Es bueno para ejecutar modelos de IA locales?
Su VRAM es lo suficientemente grande para modelos que la mayoría del hardware de escritorio no puede tocar y su ancho de banda es lo suficientemente alto para generar texto más rápido de lo que la mayoría de las personas leen. En total, se ejecuta 576 de los modelos que seguimos. Si eso es suficiente depende completamente de qué modelo quieras — la tabla anterior responde eso directamente.
L40— ¿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. 48 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 L40 ¿Las tarjetas serán dos veces más rápidas?
Emparejarlos compra margen en lugar de ritmo: 96 GB trabajar con en lugar de el doble de tokens por segundo — cada cifra aquí es para una sola tarjeta.
L40— ¿Qué modelos de IA puede ejecutar?
576 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.
L40— ¿Cuál es el modelo de IA más grande que puede ejecutar?
El modelo más grande en nuestro catálogo que se ajusta es Qwen3-Coder-Next en 80B parámetros, comprimido a IQ4_XS. Genera aproximadamente 62.4 tokens por segundo y necesita aproximadamente 38.8 GB de la memoria de la tarjeta.
L40— cuántos tokens por segundo produce?
Depende del modelo. El modelo más rápido que seguimos aquí es Gemma 3 QAT 1B a aproximadamente 366 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.
L40— ¿Puede ejecutarse? 7B modelos?
Sí. Por ejemplo, se ejecuta. Multi-Token Prediction 7B en Q8_0, usando alrededor 7.9 GB de VRAM y generando alrededor 54.6 tokens por segundo
L40— ¿Puede ejecutarse? 13B modelos?
Sí. Por ejemplo, se ejecuta. DeepSeekMoE-16B en Q8_0, usando alrededor 17.5 GB de VRAM y generando alrededor 127 tokens por segundo
L40— ¿Puede ejecutarse? 30B modelos?
Sí. Por ejemplo, se ejecuta. ERNIE-4.5-VL-28B-A3B en Q8_0, usando alrededor 29.2 GB de VRAM y generando alrededor 72.6 tokens por segundo
L40— ¿Puede ejecutarse? 70B modelos?
Sí. Por ejemplo, se ejecuta. Qwen3-Coder-Next en IQ4_XS, usando alrededor 38.8 GB de VRAM y generando alrededor 62.4 tokens por segundo
L40— ¿Cuánta VRAM tiene?
Esta tarjeta tiene 48 GB de GDDR6. Alrededor de una décima es reservada por el tiempo de ejecución de inferencia y el controlador, dejando aproximadamente 43.2 GB disponible para un modelo y su conversación.
L40— ¿Cuál es su ancho de banda de VRAM?
El ancho de banda de VRAM alcanza 864 GB/s a través de un bus de 384 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.
L40— ¿qué tipo de memoria utiliza?
Utiliza GDDR6 funcionando a 2.25 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.
L40— ¿Quién lo hace?
Este es un producto de NVIDIA, con el chip fabricado por TSMC, en un proceso de 5 nm.
L40— ¿cuándo fue lanzado?
Fue liberado en October 2022.
L40— ¿Cuánta potencia utiliza?
La potencia nominal de la placa es 300 , y la fuente de alimentación del sistema sugerida es 700 . 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.
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..