Calculer le TPS de la Quadro RTX 4000 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
Baichuan 1-13B
13.3B · Q3_K_M · 35.8 tok/s
Modèle le plus rapide
Gemma 3 QAT 1B
176 tok/s · 1B
Quels modèles d'IA peuvent fonctionner sur un Quadro RTX 4000?
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..
337 les modèles correspondent
Calcul en cours| Quantification | Convient | ||||||
|---|---|---|---|---|---|---|---|
|
176
tok/s
150–211 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
176
tok/s
150–211 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
176
tok/s
106–282 · faible confiance |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
176
tok/s
106–282 · faible confiance |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
176
tok/s
106–282 · faible confiance |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
176
tok/s
106–282 · faible confiance |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
163
tok/s
98–261 · faible confiance |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
160
tok/s
96–256 · faible confiance |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
160
tok/s
96–256 · faible confiance |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
160
tok/s
96–256 · faible confiance |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
160
tok/s
96–256 · faible confiance |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
147
tok/s
88–235 · faible confiance |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
147
tok/s
88–235 · faible confiance |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
147
tok/s
88–235 · faible confiance |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
147
tok/s
88–235 · faible confiance |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
143
tok/s
122–172 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k jetons | Q8_0 | Confortable |
|
141
tok/s
85–226 · faible confiance |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Phi-1 ≈ | 1.3B | Oct 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
Quadro RTX 4000 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
- 8 GB
- Bande passante de la VRAM
- 416 GB/s
- Type de mémoire
- GDDR6
- Largeur du bus mémoire
- 256 bit
- Fréquence mémoire
- 1.63 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
- TU104
- Architecture
- Turing
- Génération
- Quadro Turing(Tx000)
- Fonderie
- TSMC
- Taille du processus
- 12 nm
- Transistors
- 13.6 billion
- Densité de transistor
- 25,000 K/mm²
- Taille de die
- 545 mm²
- Paquet
- BGA-2228
- Nouvelles versions
- 13 November 2018
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
- 1.01 GHz
- Fréquence d'horloge boost
- 1.55 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
- 2,304
- Unités de cartographie de texture
- 144
- Rendre unités de sortie
- 64
- Multiprocesseurs de flux
- 36
- Cœurs Tensor
- 288
- Cœurs de ray tracing
- 36
- Cache L1
- 64 KB
- Cache L2
- 4 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.
- Demi-précision (FP16)
- 14.2 TFLOPS
- Précision simple (FP32)
- 7.1 TFLOPS
- Double précision (FP64)
- 222.5 GFLOPS
- Taux de pixels
- 99 GPixel/s
- Taux de texture
- 223 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)
- 160 W
- Alimentation électrique suggérée
- 450 W
- Connecteurs d'alimentation
- 1x 8-pin
- Interface de bus
- PCIe 3.0 x16
- Largeur de slot
- Single-slot
- Dimensions
- 241 mm
- Afficher les sorties
- 3x DisplayPort 1.4a, 1x USB Type-C
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
- 7.5
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modèle de Shader
- 6.8
Annonces
Où acheter un Quadro RTX 4000
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
8 GB
Bande passante
416 GB/s
Modèle le plus grand
Baichuan 1-13B
Quadro RTX 4000 porte seulement 8 GB de GDDR6. Cela le limite à la petite extrémité du catalogue, et un modèle doit tenir entièrement à l'intérieur avant de générer quoi que ce soit. Un runtime obtient en fait environ 7.2 GB.
La bande passante de la VRAM atteint 416 GB/s à travers un bus de 256 bits. C'est le nombre qui régit la vitesse de génération — l'arithmétique par octet lu est suffisamment petite pour que le bus, et non les cœurs, soit sur quoi tout le monde attend.
Cela vient d'une horloge mémoire de 1.63 GHz. C'est pourquoi les nombres de cœurs prédisent si mal la vitesse de génération.
Dans la pratique, cette combinaison atteint un maximum de Baichuan 1-13B, 13.3B, compressé à Q3_K_M et générant autour 35.8 tokens par seconde
Le chip et comment il a été construit
Quadro RTX 4000 est construit sur le processeur graphique TU104, utilisant l'architecture Turing de NVIDIA, dans le cadre de la génération Quadro Turing(Tx000).
Le chip est fabriqué par TSMC, sur un processus de 12 , avec un dé mesurant 545 mm², tenue 13.6 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 2018, approximativement 7.7147405570512 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
FP16
14.2 TFLOPS
FP64
222.5 GFLOPS
Cœurs Tensor
288
Sur le papier Quadro RTX 4000 atteint 14.2 TFLOPS à demi-précision, et 7.1 TFLOPS à précision unique. Ce sont des chiffres de pointe que aucune charge de travail réelle ne maintient, et la génération de texte n'atteint qu'une petite fraction d'entre eux — le décodage est limité par la mémoire plutôt que par l'arithmétique, c'est pourquoi une carte peut paraître extraordinairement puissante ici et néanmoins produire des tokens à un rythme ordinaire.
Le débit de double précision atteint 222.5 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.
La carte porte 288 Cœurs Tensor à travers 36 Multiprocesseurs de flux. Ces accélèrent l'arithmétique matricielle au cœur d'un transformateur, et ce sont elles qui rendent le traitement des invites — lire un long document avant de répondre — de manière considérablement plus rapide qu'il ne le serait autrement.
Les horloges fonctionnent à partir d'une base de 1.01 GHz à un coup de 1.55 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
Quadro RTX 4000 a un cache L1 de 64 KO, soutenu par un cache L2 de 4 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 2,304 Unités de shading, 144 Unités de cartographie de texture, et 64 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
160 W
Quadro RTX 4000 est évalué à 160 W, et l'alimentation électrique système suggérée est 450 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 single-slot, mesurer 241 mm long, et besoins 1x 8-pin. 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 Quadro RTX 4000
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 Quadro RTX 4000
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 Quadro RTX 4000
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 337 modèles que cette carte exécute. La recherche affine la liste par nom ou par taille.
-
02
Définissez la longueur de contexte que vous utiliserez réellement.
Réglez le contexte sur votre vraie longueur de travail. Les courtes questions coûtent presque rien, mais un long document peut consommer une grande part de. 8 GB donc le réglage vaut la peine d'être bien fait.
-
03
Épinglez la comparaison à un niveau de qualité.
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
Prenez la plage comme réponse
Les vitesses sont accompagnées de barres d'erreur pour une raison. Le meilleur cas ici est 176 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
Lisez le verdict d'ajustement dernier
La colonne d'ajustement sépare les modèles qui s'ajustent juste de ceux qui ont de la place en trop — cela vaut la peine de vérifier avant de se fixer sur un, par rapport à un disponible 8 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 Quadro RTX 4000.
Réponses
Quadro RTX 4000 — questions courantes
Quadro RTX 4000— quels modèles d'IA peut-il exécuter ?
337 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.
Quadro RTX 4000— quel est le plus grand modèle AI qu'il peut exécuter ?
Le plus grand modèle de notre catalogue qui s'adapte est Baichuan 1-13B à 13.3B paramètres, compressé à Q3_K_M. Cela génère à peu près 35.8 tokens par seconde et a besoin d'environ 7.2 Go de la mémoire de la carte.
Quadro RTX 4000— 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 176 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.
Quadro RTX 4000— peut-il fonctionner 7B modèles ?
Oui. Par exemple, cela fonctionne. MetaMath 7B (LLaMa finetune) à Q4_K_M, environ 6.5 Go de mémoire et générant environ 58.1 tokens par seconde
Quadro RTX 4000— peut-il fonctionner 13B modèles ?
Oui. Par exemple, cela fonctionne. Gemma 4 12B à Q3_K_M, environ 6.5 Go de mémoire et générant environ 39.8 tokens par seconde
Quadro RTX 4000— combien de mémoire cela a-t-il?
Cette carte a 8 GB de GDDR6. Environ un dixième est réservé par le runtime d'inférence et le driver, laissant à peu près 7.2 GB disponible pour un modèle et sa conversation.
Quadro RTX 4000— quelle est sa bande passante de VRAM ?
La bande passante de la VRAM atteint 416 GB/s à travers un bus de 256 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.
Quadro RTX 4000— Quel type de mémoire utilise-t-il ?
Cela utilise GDDR6 à fréquence de 1.63 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.
Quadro RTX 4000— qui le fait ?
Ceci est un produit de NVIDIA, avec la puce fabriquée par TSMC, sur un processus de 12 .
Quadro RTX 4000— quand a-t-il été publié ?
Il a été publié dans November 2018.
Quadro RTX 4000— combien de puissance cela utilise-t-il ?
La puissance nominale de la carte est 160 W, et l'alimentation électrique système suggérée est 450 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.
Quadro RTX 4000— combien de cache a-t-il ?
Le cache L1 est 64 KO, et le cache L2 est 4 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.
Quadro RTX 4000— quelles sont ses TFLOPS ?
Il est évalué à 14.2 TFLOPS à moitié précision et 7.1 TFLOPS en simple précision. Ceux-ci sont des plafonds arithmétiques de pointe plutôt que des taux réalisables, et la génération de texte n'atteint qu'une petite fraction d'entre eux car elle est limitée par la bande passante de mémoire à la place.
Quadro RTX 4000— combien de cœurs tensoriels a-t-il ?
Il a 288 Cœurs Tensor à travers 36 Multiprocesseurs de flux. Ils accélèrent l'arithmétique matricielle dont un transformateur est construit, ce qui permet principalement d'accélérer le traitement d'un long prompt plutôt que de produire la réponse.
Quadro RTX 4000— est-ce qu'il prend en charge CUDA ?
Oui. Il rapporte la capacité de calcul CUDA. 7.5. 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.
Quadro RTX 4000— 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.
Quadro RTX 4000— est-ce bon pour exécuter des modèles d'IA locaux ?
Sa MÉMOIRE le limite à des modèles plus petits et sa bande passante offre des vitesses de génération utilisables, même si peu spectaculaires. Au total, il fonctionne 337 des modèles que nous suivons. Que cela soit suffisant dépend entièrement du modèle que vous voulez — le tableau ci-dessus répond directement à cela.
Quadro RTX 4000— peut-il exécuter un modèle qui ne tient pas dans sa VRAM ?
Seulement en partie. Couches au-delà de la carte 8 GB est possible et généralement une fausse économie : la partie mémoire-système est suffisamment lente pour dominer le résultat.
Serait deux Quadro RTX 4000 les cartes peuvent-elles être deux fois plus rapides ?
Les associer achète de la marge plutôt que du rythme : 16 GB travailler avec plutôt que deux fois les tokens par seconde — chaque chiffre ici est pour une seule carte.
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.