Gemma 3 QAT 12B calculateur TPS

Ouvrir les poids Google DeepMind 12B paramètres April 2025

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

509 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Xeon Phi 5110P

8 GB · Q3_K_M · 19.8 tok/s

Carte la plus rapide

B200

282 tok/s · 180 GB

Quelles GPU peuvent exécuter Gemma 3 QAT 12B?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

509 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
282 tok/s 240–339	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	13.6 GB	Q8_0	Confortable
282 tok/s 240–339	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	13.6 GB	Q8_0	Confortable
225 tok/s 135–361 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	13.6 GB	Q8_0	Confortable
225 tok/s 135–361 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	13.6 GB	Q8_0	Confortable
180 tok/s 108–289 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	13.6 GB	Q8_0	Confortable
173 tok/s 147–207	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.6 GB	Q8_0	Confortable
173 tok/s 147–207	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	13.6 GB	Q8_0	Confortable
165 tok/s 99–264 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	13.6 GB	Q8_0	Confortable
147 tok/s 88–235 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	13.6 GB	Q8_0	Confortable
147 tok/s 88–235 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	13.6 GB	Q8_0	Confortable
147 tok/s 88–235 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	13.6 GB	Q8_0	Confortable
142 tok/s 121–170	CMP 170HX 8 GB NVIDIA	8 GB	1,490 GB/s	Sep 2021	6.6 GB	Q3_K_M	À l'étroit
139 tok/s 118–167	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	13.6 GB	Q8_0	Confortable
127 tok/s 108–153	CMP 170HX 10 GB NVIDIA	10 GB	1,560 GB/s	Sep 2021	8.0 GB	Q4_K_M	À l'étroit
119 tok/s 101–142	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.6 GB	Q8_0	Confortable
119 tok/s 101–142	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	13.6 GB	Q8_0	Confortable
119 tok/s 101–142	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	13.6 GB	Q8_0	Confortable
119 tok/s 101–142	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	13.6 GB	Q8_0	Confortable
119 tok/s 101–142	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	13.6 GB	Q8_0	Confortable
90.3 tok/s 54–144 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	13.6 GB	Q8_0	Confortable
90.3 tok/s 54–144 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	13.6 GB	Q8_0	Confortable
75.3 tok/s 45–120 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	13.6 GB	Q8_0	Confortable
73.6 tok/s 44–118 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	13.6 GB	Q8_0	Confortable
73.1 tok/s 62–88	RTX A5000-8Q NVIDIA	8 GB	768 GB/s	Apr 2021	6.6 GB	Q3_K_M	À l'étroit
72.0 tok/s 61–86	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	13.6 GB	Q8_0	Confortable

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

Enregistrement

Spécifications complètes

Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..

Origine

Qui a construit ce modèle, où, et quand il a été publié.

Organisation: Google DeepMind
Type d'organisation: Industry
Pays: United States of America
Publié: 18 April 2025

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Language, Vision, Multimodal
Tâche: Language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation
Modèle de base: Gemma 3 12B

Taille

Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.

paramètres: 12B
Données d'entraînement: tokens

Disponibilité

Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.

Poids: Open — downloadable
Accès au modèle: Open weights (restricted use)
Code d'entraînement: Unreleased
Hugging Face: google

Comment il est classé

Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.

Confiance d'enregistrement: Confident

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Gemma 3 QAT Models: Bringing state-of-the-Art AI to consumer GPUs
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent Gemma 3 QAT 12B

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore Gemma 3 QAT 12B

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Le côté matériel

Carte minimale

Xeon Phi 5110P

Mémoire requise

6.6 GB

Le plus rapide

282 tok/s

Gemma 3 QAT 12B atteint un nombre de paramètres de 12B. C'est suffisamment petit pour que le matériel soit rarement l'obstacle, y compris sur des CARDS âgées de plusieurs années. Le nombre de CARDS que nous suivons et qui peuvent le faire fonctionner : 509.

À l'extrémité inférieure, cela est géré par Xeon Phi 5110P, avec une capacité de mémoire de 8 GB, le faisant fonctionner à une compression de Q3_K_M et produisant environ 19.8 tokens par seconde

Le plus rapide que nous calculons pour cela est B200, générant à peu près 282 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Contexte

Gemma 3 QAT 12B a été publié par Google DeepMind, dans le pays enregistré comme United States of America, durant April 2025. L'organisation de publication est catégorisée comme industry.

Il fonctionne dans le domaine de Language, Vision, Multimodal, et est enregistré comme exécutant la tâche de language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation.

Il s'appuie sur Gemma 3 12B. C'est la façon habituelle de produire un modèle spécialisé.

Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable. Sur Hugging Face, il est publié sous l'organisation google.

Lire les chiffres de débit

Le résultat médian est d'environ 21.2 tokens par seconde. Dépassement direct de la vitesse de lecture. 455 d'eux

Chaque poids participe à chaque jeton ici, donc la bande passante est toute l'histoire : le classement ci-dessous est effectivement un classement du débit de mémoire.

Parce que l'architecture est enregistrée, la colonne de mémoire est dérivée plutôt qu'estimée.

Étape par étape

Comment choisir un GPU pour Gemma 3 QAT 12B

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Lisez d'abord le chiffre de mémoire

La table répertorie chaque carte capable de supporter Gemma 3 QAT 12B, ayant besoin d'environ 6.6 GB à une compression de Q3_K_M. Aucun montant de puissance de traitement ne compense une carte qui ne peut pas la supporter.
02

Décidez combien de temps vos conversations tournent

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. Gemma 3 QAT 12B.
03

Définir un seuil de qualité

La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise., atteignant une compression de Q3_K_M sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Classer par débit plutôt que par fiche technique

Trier par vitesse pour voir comment les cartes se classent pour Gemma 3 QAT 12B. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 282 tok/s
05

Vérifiez le verdict de compatibilité avant d'acheter

La colonne d'adéquation sépare les cartes qui y parviennent juste de celles qui ont de la marge, dans le cas de Gemma 3 QAT 12B. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Voir ce que cette carte exécute d'autre.

Chaque page de carte répète ce balayage pour chaque modèle que nous détenons, répondant à ce que le matériel peut faire d'autre au-delà de Gemma 3 QAT 12B.

Réponses

Gemma 3 QAT 12B — questions courantes

Gemma 3 QAT 12B— Puis-je l'exécuter sur un GPU détenant 24 GB ?

Oui. La carte GeForce RTX 5090 D V2, tenue 24 GB, l'exécute à une compression de Q8_0, environ 13.6 GO et générant à peu près 47.3 jetons par seconde. L'adéquation est confortable.

Gemma 3 QAT 12B— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

Gemma 3 QAT 12B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 12B. 12B. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.

Gemma 3 QAT 12B— qui l'a créé ?

Il a été publié par Google DeepMind, basé sur United States of America, une organisation catégorisée comme industry.

Gemma 3 QAT 12B— quand a-t-il été publié ?

Il a été publié dans April 2025.

Gemma 3 QAT 12B— à quoi ça sert ?

Il fonctionne dans le domaine de Language, Vision, Multimodal, et est enregistré comme gérant la tâche de language modeling/generation, Question answering, Translation, Chat, Quantitative reasoning, Visual question answering, Code generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.

Gemma 3 QAT 12B— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation google. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

Gemma 3 QAT 12B— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Seulement en déchargeant, ce qui est généralement une fausse économie : la partie maintenue en mémoire système tire l'ensemble vers le bas. La plus proche approximation que nous calculons est inférieure de 2.6 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Gemma 3 QAT 12B— deux GPUs l'exécuteraient-ils plus rapidement ?

Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 509. Ainsi, une seconde carte est rarement la réponse ici.

Gemma 3 QAT 12B— pourquoi la quantification diffère-t-elle entre les cartes ?

Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

Gemma 3 QAT 12B— quelle est la précision de ces estimations de vitesse ?

Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : 240–339 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

Gemma 3 QAT 12B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Xeon Phi 5110P, avec une capacité de mémoire de 8 GB. Il exécute le modèle à une compression de Q3_K_M environ 6.6 GB, et produit environ 19.8 tous les GPU capables de l'exécuter en total 509.

Gemma 3 QAT 12B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 282 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 455.

Gemma 3 QAT 12B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 6.6 GB à une compression de Q3_K_M, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

Gemma 3 QAT 12B— Puis-je l'exécuter sur un GPU détenant 8 GB ?

Oui. La carte CMP 170HX 8 GB, tenue 8 GB, l'exécute à une compression de Q3_K_M, environ 6.6 GO et générant à peu près 142 tokens par seconde. L'ajustement est serré.

Gemma 3 QAT 12B— Puis-je l'exécuter sur un GPU détenant 12 GB ?

Oui. La carte GeForce RTX 3080 Ti, tenue 12 GB, l'exécute à une compression de Q5_K_M, environ 9.4 GO et générant à peu près 57.5 tokens par seconde. L'ajustement est serré.

Gemma 3 QAT 12B— Puis-je l'exécuter sur un GPU détenant 16 GB ?

Oui. La carte Tesla V100 SXM2 16 GB, tenue 16 GB, l'exécute à une compression de Q8_0, environ 13.6 GO et générant à peu près 39.9 tokens par seconde. L'ajustement est serré.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

L'autre direction

Regardez-le de l'autre côté ?

Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.

Tous les modèles AI