Calculer le TPS de la Tesla M40 sur des modèles d'IA locaux
Chaque modèle de notre catalogue évalué par rapport à cette carte à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une seule demande, calculée à partir de la bande passante mémoire de cette carte et de la taille de chaque modèle une fois compressé..
Calculé pour cette carte
679 modèles dans notre catalogue ensemble
Le plus grand modèle qu'il peut contenir
ERNIE-4.5-21B-A3B
21B · Q3_K_M · 74.1 tok/s
Modèle le plus rapide
Gemma 3 QAT 1B
104 tok/s · 1B
Quels modèles d'IA peuvent fonctionner sur un Tesla M40?
Définir les entrées, lire la réponse
Plus de contexte signifie plus de MÉMOIRE pour le cache de conversation. La vitesse est pour une nouvelle conversation et ne change pas avec ce paramètre..
Cache les modèles qui ne pourraient tenir qu'en étant compressés en dessous de ce point..
396 les modèles correspondent
Calcul en cours| Quantification | Convient | ||||||
|---|---|---|---|---|---|---|---|
|
104
tok/s
36–208 · faible confiance |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
104
tok/s
36–208 · faible confiance |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
104
tok/s
36–208 · faible confiance |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
104
tok/s
36–208 · faible confiance |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
104
tok/s
36–208 · faible confiance |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
104
tok/s
36–208 · faible confiance |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
96.1
tok/s
34–192 · faible confiance |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
94.4
tok/s
33–189 · faible confiance |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
94.4
tok/s
33–189 · faible confiance |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
94.4
tok/s
33–189 · faible confiance |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
94.4
tok/s
33–189 · faible confiance |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
86.5
tok/s
30–173 · faible confiance |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
86.5
tok/s
30–173 · faible confiance |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
86.5
tok/s
30–173 · faible confiance |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
86.5
tok/s
30–173 · faible confiance |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
84.4
tok/s
30–169 · faible confiance |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k jetons | Q8_0 | Confortable |
|
83.2
tok/s
29–166 · faible confiance |
DeepSeekMoE-16B | 16B | Jan 2024 | 10.0 GB | 4k jetons | Q4_K_M | À l'étroit |
|
83.2
tok/s
29–166 · faible confiance |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
79.9
tok/s
28–160 · faible confiance |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k jetons ? | 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
Tesla M40 Spécifications complètes
Tout ce qui est enregistré pour cette carte, ordonné par ce qui a le plus d'impact sur l'exécution d'un modèle de langage plutôt que par la manière dont une fiche technique le classerait. La MÉMOIRE vient en premier car elle détermine le résultat ; le reste est CONTEXTE..
Mémoire
Les deux spécifications qui décident ce que cette carte peut exécuter et à quelle vitesse. La capacité détermine quels modèles s'adaptent ; la bande passante détermine combien de tokens par seconde ils produisent une fois qu'ils le font.
- Taille de la mémoire
- 12 GB
- Bande passante de la VRAM
- 288 GB/s
- Type de mémoire
- GDDR5
- Largeur du bus mémoire
- 384 bit
- Fréquence mémoire
- 1.5 GHz
La puce
Quel processeur est sur la carte et comment a-t-il été fabriqué. Une taille de processus plus petite signifie généralement plus de performance pour la même puissance.
- Processeur graphique
- GM200
- Architecture
- Maxwell 2.0
- Génération
- Tesla Maxwell(Mxx)
- Fonderie
- TSMC
- Taille du processus
- 28 nm
- Transistors
- 8 billion
- Densité de transistor
- 13,300 K/mm²
- Taille de die
- 601 mm²
- Paquet
- BGA-2152
- Nouvelles versions
- 10 November 2015
Fréquences d'Horloge
À quelle vitesse le processeur fonctionne. Vaut bien moins ici que sur un benchmark de jeux : générer du texte est limité par la bande passante de la mémoire, donc une fréquence plus élevée ne fait presque pas bouger le résultat.
- Horloge de base
- 948 MHz
- Fréquence d'horloge boost
- 1.11 GHz
Unités de traitement
Ce que la puce contient. Ceux-ci améliorent la performance graphique et sont principalement importants pour le traitement d'un long prompt plutôt que pour produire la réponse.
- Unités de shading
- 3,072
- Unités de cartographie de texture
- 192
- Rendre unités de sortie
- 96
- Multiprocesseurs de flux
- 24
- Cache L1
- 48 KB
- Cache L2
- 3 MB
Performance théorique
Les taux d'arithmétique de pointe publiés pour la carte. Ce sont des plafonds que aucune charge de travail réelle n'atteint, et la génération de texte atteint une petite fraction de ceux-ci car elle est limitée par la mémoire plutôt que par l'arithmétique.
- Précision simple (FP32)
- 6.8 TFLOPS
- Double précision (FP64)
- 213.5 GFLOPS
- Taux de pixels
- 107 GPixel/s
- Taux de texture
- 214 GTexel/s
La carte
Ce qu'il faut pour installer physiquement et alimenter la carte — les contraintes pratiques qui décident si elle s'intègre dans la machine que vous possédez déjà.
- Consommation d'énergie (TDP)
- 250 W
- Alimentation électrique suggérée
- 600 W
- Connecteurs d'alimentation
- 8-pin EPS
- Interface de bus
- PCIe 3.0 x16
- Largeur de slot
- Dual-slot
- Dimensions
- 267 mm
Support logiciel
Quelles interfaces graphiques et de calcul la carte prend-elle en charge. La capacité de calcul CUDA est celle qui a un impact sur l'inférence : en dessous de 7.0, il n'y a pas de cœurs tensoriels, et les logiciels d'inférence modernes se rabattent sur des chemins de code plus lents.
- capacité de calcul CUDA
- 5.2
- DirectX
- 12.1
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modèle de Shader
- 6.8
Annonces
Où acheter un Tesla M40
Aucun vendeur ne répertorie actuellement cette carte. Les annonces proviennent de vendeurs qui les publient ici directement. — parcourir le répertoire des fournisseurs voir qui vend quoi.
Ce que les chiffres signifient
Ce que signifie le sous-système de mémoire pour l'IA
Mémoire
12 GB
Bande passante
288 GB/s
Modèle le plus grand
ERNIE-4.5-21B-A3B
Tesla M40 porte 12 GB de GDDR5. Cela atteint confortablement les petits et moyens modèles, bien que les plus grands restent hors de portée sans les diviser. Les frais généraux du pilote laissent environ 10.8 GB.
La bande passante de la VRAM atteint 288 GB/s à travers un bus de 384 bits. La bande passante est la véritable contrainte de cette carte. Chaque jeton nécessite de lire l'ensemble du modèle à partir de la mémoire, donc un grand modèle aura l'air lent ici même s'il rentre.
La bande passante est le produit de la fréquence d'horloge et de la largeur du bus, et cette carte fonctionne sa mémoire à 1.5 GHz. Agrandir le bus et augmenter la fréquence sont les deux leviers dont dispose un fabricant, c'est pourquoi une carte avec des cœurs peu remarquables peut encore générer rapidement.
La plus grande chose qu'il contient est ERNIE-4.5-21B-A3B, 21B, compressé à Q3_K_M et générant autour 74.1 tokens par seconde
Le chip et comment il a été construit
Tesla M40 est construit sur le processeur graphique GM200, utilisant l'architecture Maxwell 2.0 de NVIDIA, dans le cadre de la génération Tesla Maxwell(Mxx).
Le chip est fabriqué par TSMC, sur un processus de 28 , avec un dé mesurant 601 mm², tenue 8 billion Transistors. Un processus plus petit signifie généralement plus de performance pour la même puissance, bien que pour les modèles de langage, cela compte bien moins que le sous-système de mémoire.
Il a été publié dans November 2015, approximativement 10.722966991609 il y a des années. Le support des logiciels d'inférence a tendance à suivre le matériel d'un an ou deux, donc une carte de cet âge a généralement des chemins de code matures et bien optimisés disponibles.
Débit de calcul, et pourquoi cela compte moins qu'il n'y paraît
FP64
213.5 GFLOPS
Le débit de double précision atteint 213.5 GFLOPS. Cela n'a aucune incidence sur le fonctionnement d'un modèle de langage — aucun temps d'inférence ne l'utilise — mais cela sépare les composants de centre de données de ceux destinés aux consommateurs, puisque ces derniers le restreignent délibérément.
Les horloges fonctionnent à partir d'une base de 948 MHz à un coup de 1.11 GHz. Vaut beaucoup moins ici que sur un benchmark de jeu : augmenter les vitesses d'horloge améliore l'arithmétique, et l'arithmétique n'est pas ce sur quoi la génération attend.
Cache et unités de traitement
Tesla M40 a un cache L1 de 48 KO, soutenu par un cache L2 de 3 Mo. Le Cache absorbe une part du trafic de mémoire qui frapperait autrement le bus principal, qui est l'un des rares endroits sur cette page où un nombre autre que la bande passante affecte silencieusement la vitesse de génération — un grand L2 permet à une plus grande partie de l'ensemble de travail de rester proche des cœurs.
Il y a 3,072 Unités de shading, 192 Unités de cartographie de texture, et 96 Rendre unités de sortie. Ces cartes gèrent les charges de travail graphiques et contribuent au traitement des prompts, mais elles restent inactives pendant une grande partie du temps qu'un modèle passe à générer une réponse.
Puissance, taille et installation
Consommation d'énergie
250 W
Tesla M40 est évalué à 250 W, et l'alimentation électrique système suggérée est 600 W. Faire tourner un modèle de langage occupe une CARTE par intermittence plutôt que de manière continue — cela consomme beaucoup pendant la génération et reste inactif entre les requêtes — donc une consommation soutenue sur une journée de travail est généralement bien en dessous de la valeur nominale.
La carte occupe dual-slot, mesurer 267 mm long, et besoins 8-pin EPS. Vaut la peine de vérifier par rapport au boîtier et à l'alimentation déjà dans la machine, car les plus grandes CARDS nécessitent considérablement plus des deux que ce qu'un bureau typique fournit.
Il se connecte via PCIe 3.0 x16. L'interface régule la vitesse à laquelle un modèle est chargé du disque vers la carte, et non la vitesse à laquelle il fonctionne une fois chargé, donc un lien plus étroit coûte quelques secondes au démarrage et rien par la suite.
Les extrêmes
Les plus grands modèles d'IA qui s'exécutent sur un Tesla M40
Les plus grands modèles OPEN WEIGHT qui tiennent sur cette CARTE, les plus récents en premier. Chacun est présenté avec la meilleure compression que la CARTE peut supporter..
Les modèles d'IA les plus rapides sur un Tesla M40
Où cette CARTE produit des jetons le plus rapidement. Les modèles plus petits dominent ici, car générer chaque jeton signifie lire le modèle entier hors de la MÉMOIRE une fois..
Étape par étape
Comment calculer le nombre de tokens par seconde d'un Tesla M40
Vous n'avez pas à calculer quoi que ce soit à la main — le calculateur gputps.com sur cette page a déjà tout calculé pour chaque modèle que cette carte peut contenir. Lire la réponse prend six étapes.
-
01
Commencez par le modèle, pas la spécification
Le tableau liste 396 modèles que cette carte peut exécuter. Recherchez par nom ou par taille — taper 27b correspond au nombre de paramètres même lorsque le nom ne l'indique jamais.
-
02
Associez le contexte à votre travail
Faites glisser le curseur jusqu'à la longueur de conversation à laquelle vous prévoyez de travailler. Le cache augmente avec la conversation, et contre une carte tenant 12 GB cela est fréquemment la différence entre un modèle qui s'adapte et un qui ne s'adapte pas.
-
03
Définissez une qualité minimale si vous en avez besoin
La compression est ce qui permet aux modèles plus grands de s'adapter. Le contrôle de qualité rejette tout modèle qui en a besoin de plus que ce que vous êtes prêt à donner.
-
04
Lisez la vitesse et la portée
Les chiffres sont calculés, pas mesurés. Le résultat le plus rapide sur cette carte est 104 tok/s sur Gemma 3 QAT 1B. La même carte et le même modèle varient de trente à cinquante pour cent entre les temps d'inférence.
-
05
Vérifiez la marge de manœuvre avant de décider
Un ajustement serré fonctionne mais ne laisse aucune place pour augmenter le contexte plus tard ; confortable a de la marge. La colonne de mémoire montre ce que chaque modèle nécessite par rapport à un disponible. 12 GB.
-
06
Ouvrez le modèle pour comparer les cartes
Chaque nom de modèle dans le tableau renvoie à sa propre page, qui effectue le même calcul sur chaque carte que nous détenons. C'est là que vous voyez si le bon achat est Tesla M40.
Réponses
Tesla M40 — questions courantes
Tesla M40— Quel type de mémoire utilise-t-il ?
Cela utilise GDDR5 à fréquence de 1.5 GHz. Les types de HBM se trouvent sur les accélérateurs de datacentre et portent beaucoup plus de bande passante que la GDDR utilisée sur les cartes de bureau, c'est pourquoi ils génèrent des jetons considérablement plus rapidement à la même capacité.
Tesla M40— qui le fait ?
Ceci est un produit de NVIDIA, avec la puce fabriquée par TSMC, sur un processus de 28 .
Tesla M40— quand a-t-il été publié ?
Il a été publié dans November 2015.
Tesla M40— combien de puissance cela utilise-t-il ?
La puissance nominale de la carte est 250 W, et l'alimentation électrique système suggérée est 600 W. La génération de texte sollicite intensément par rafales et reste inactive entre les requêtes, donc la consommation moyenne sur une session de travail est normalement bien en dessous de la valeur nominale.
Tesla M40— combien de cache a-t-il ?
Le cache L1 est 48 KO, et le cache L2 est 3 Mo. Le Cache absorbe une partie du trafic mémoire qui atteindrait autrement le bus principal, donc un L2 plus grand offre un léger avantage en vitesse de génération au-delà de ce que la bande passante prédit seule.
Tesla M40— est-ce qu'il prend en charge CUDA ?
Oui. Il rapporte la capacité de calcul CUDA. 5.2, qui précède les noyaux tensoriels. La Capacité 7.0 et au-dessus a des cœurs tensoriels, que les logiciels d'inférence modernes utilisent ; en dessous, il revient à des chemins de code plus lents pour les modèles quantifiés.
Tesla M40— quel interface de bus utilise-t-il ?
Cela utilise PCIe 3.0 x16. Cela régit la vitesse à laquelle un modèle est chargé sur la carte plutôt que la vitesse à laquelle il fonctionne une fois chargé, donc cela coûte quelques secondes au démarrage et rien pendant la génération.
Tesla M40— est-ce bon pour exécuter des modèles d'IA locaux ?
Sa mémoire couvre des modèles petits et moyens, bien que les plus grands soient hors de portée, bien que sa bande passante signifie que la génération sera lente sur les modèles plus grands. En tout, il fonctionne 396 des modèles que nous suivons. Que cela soit suffisant dépend entièrement du modèle que vous voulez — le tableau ci-dessus répond directement à cela.
Tesla M40— peut-il exécuter un modèle qui ne tient pas dans sa VRAM ?
Seulement en partie. Couches au-delà de la carte 12 GB traîne tout vers le bas, et aucune des données sur cette page ne le suppose.
Serait deux Tesla M40 les cartes peuvent-elles être deux fois plus rapides ?
Les associer achète de la marge plutôt que du rythme : 24 GB ce qui vous permet de maintenir des modèles que ni l'un ni l'autre ne pourrait maintenir seul, mais la génération ne se divise pas de cette manière. Ces chiffres décrivent une carte.
Tesla M40— quels modèles d'IA peut-il exécuter ?
396 du 679 les modèles de langage open-weight que nous suivons s'adaptent sur cette carte et peuvent être exécutés localement. Le tableau sur cette page répertorie chacun d'eux, avec la mémoire dont il a besoin, la quantification à laquelle il s'exécute et une vitesse de génération estimée.
Tesla M40— quel est le plus grand modèle AI qu'il peut exécuter ?
Le plus grand modèle de notre catalogue qui s'adapte est ERNIE-4.5-21B-A3B à 21B paramètres, compressé à Q3_K_M. Cela génère à peu près 74.1 tokens par seconde et a besoin d'environ 10.1 Go de la mémoire de la carte.
Tesla M40— combien de tokens par seconde cela produit-il ?
Cela dépend du modèle. Le modèle le plus rapide que nous suivons ici est Gemma 3 QAT 1B à propos de 104 tokens par seconde, tandis que les modèles plus grands fonctionnent proportionnellement plus lentement car chaque token nécessite de lire l'ensemble du modèle hors de la mémoire une fois. Les vitesses sont des estimations pour une seule conversation à la fois.
Tesla M40— peut-il fonctionner 7B modèles ?
Oui. Par exemple, cela fonctionne. DeepSeek Coder 6.7B à Q6_K, environ 9.9 Go de mémoire et générant environ 22.5 tokens par seconde
Tesla M40— peut-il fonctionner 13B modèles ?
Oui. Par exemple, cela fonctionne. DeepSeekMoE-16B à Q4_K_M, environ 10.0 Go de mémoire et générant environ 83.2 tokens par seconde
Tesla M40— combien de mémoire cela a-t-il?
Cette carte a 12 GB de GDDR5. Environ un dixième est réservé par le runtime d'inférence et le driver, laissant à peu près 10.8 GB disponible pour un modèle et sa conversation.
Tesla M40— quelle est sa bande passante de VRAM ?
La bande passante de la VRAM atteint 288 GB/s à travers un bus de 384 bits. C'est le meilleur prédicteur de la vitesse à laquelle il génère du texte, car produire chaque jeton signifie lire l'ensemble du modèle hors de la mémoire une fois.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le matériel. Si vous savez déjà quel modèle vous voulez et avez besoin de savoir ce qu'il faut pour le faire fonctionner, commencer par le modèle au lieu.