Calculer le TPS de la RTX A5000 Max-Q 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
Nemotron 3-Nano-30B-A3B
31.6B · Q3_K_M · 77.2 tok/s
Modèle le plus rapide
Gemma 3 QAT 1B
163 tok/s · 1B
Quels modèles d'IA peuvent fonctionner sur un RTX A5000 Max-Q?
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..
432 les modèles correspondent
Calcul en cours| Quantification | Convient | ||||||
|---|---|---|---|---|---|---|---|
|
163
tok/s
138–195 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
163
tok/s
138–195 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
163
tok/s
98–260 · faible confiance |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
163
tok/s
98–260 · faible confiance |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
163
tok/s
98–260 · faible confiance |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
163
tok/s
98–260 · faible confiance |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
151
tok/s
90–241 · faible confiance |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
148
tok/s
89–237 · faible confiance |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
148
tok/s
89–237 · faible confiance |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
148
tok/s
89–237 · faible confiance |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
148
tok/s
89–237 · faible confiance |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
136
tok/s
81–217 · faible confiance |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
132
tok/s
112–159 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k jetons | Q8_0 | Confortable |
|
130
tok/s
78–209 · faible confiance |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · faible confiance |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
125
tok/s
75–200 · 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
RTX A5000 Max-Q 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
- 16 GB
- Bande passante de la VRAM
- 384 GB/s
- Type de mémoire
- GDDR6
- Largeur du bus mémoire
- 256 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
- GA104
- Architecture
- Ampere
- Génération
- Ampere-MW(Ax000)
- Fonderie
- Samsung
- Taille du processus
- 8 nm
- Transistors
- 17.4 billion
- Densité de transistor
- 44,400 K/mm²
- Taille de die
- 392 mm²
- Paquet
- BGA-2713
- Nouvelles versions
- 12 April 2021
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
- 720 MHz
- Fréquence d'horloge boost
- 1.35 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
- 6,144
- Unités de cartographie de texture
- 192
- Rendre unités de sortie
- 96
- Multiprocesseurs de flux
- 48
- Cœurs Tensor
- 192
- Cœurs de ray tracing
- 48
- Cache L1
- 128 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)
- 16.6 TFLOPS
- Précision simple (FP32)
- 16.6 TFLOPS
- Double précision (FP64)
- 259.2 GFLOPS
- Taux de pixels
- 130 GPixel/s
- Taux de texture
- 259 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)
- 80 W
- Connecteurs d'alimentation
- None
- Interface de bus
- PCIe 4.0 x16
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
- 8.6
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modèle de Shader
- 6.8
Annonces
Où acheter un RTX A5000 Max-Q
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
Pourquoi la mémoire est le nombre qui compte ici
Mémoire
16 GB
Bande passante
384 GB/s
Modèle le plus grand
Nemotron 3-Nano-30B-A3B
RTX A5000 Max-Q porte 16 GB de GDDR6. 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 14.4 GB.
La bande passante de la VRAM atteint 384 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.
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.
Mis en ensemble, le plus grand modèle qui tient est Nemotron 3-Nano-30B-A3B, 31.6B, compressé à Q3_K_M et générant autour 77.2 tokens par seconde
Le chip et comment il a été construit
RTX A5000 Max-Q est construit sur le processeur graphique GA104, utilisant l'architecture Ampere de NVIDIA, dans le cadre de la génération Ampere-MW(Ax000).
Le chip est fabriqué par Samsung, sur un processus de 8 , avec un dé mesurant 392 mm², tenue 17.4 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 April 2021, approximativement 5.3039547596909 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
16.6 TFLOPS
FP64
259.2 GFLOPS
Cœurs Tensor
192
Sur le papier RTX A5000 Max-Q atteint 16.6 TFLOPS à demi-précision, et 16.6 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 259.2 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 192 Cœurs Tensor à travers 48 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 720 MHz à un coup de 1.35 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
RTX A5000 Max-Q a un cache L1 de 128 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 6,144 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
80 W
RTX A5000 Max-Q est évalué à 80 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.
Il se connecte via PCIe 4.0 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 RTX A5000 Max-Q
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 RTX A5000 Max-Q
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 RTX A5000 Max-Q
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
Trouvez le modèle dans le tableau.
Le tableau liste 432 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. 16 GB cela est fréquemment la différence entre un modèle qui s'adapte et un qui ne s'adapte pas.
-
03
Choisissez jusqu'où vous allez compresser
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
Chaque vitesse est une estimation pour une seule conversation, avec une plage en dessous. L'extrémité supérieure ici est 163 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 colonne de mémoire avant de vous engager
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. 16 GB.
-
06
Ouvrez le modèle pour comparer les cartes
Suivre un modèle jusqu'à sa propre page liste tout le matériel qui peut l'exécuter, afin que vous puissiez voir comment il se compare à RTX A5000 Max-Q.
Réponses
RTX A5000 Max-Q — questions courantes
RTX A5000 Max-Q— quelle est sa bande passante de VRAM ?
La bande passante de la VRAM atteint 384 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.
RTX A5000 Max-Q— Quel type de mémoire utilise-t-il ?
Cela utilise GDDR6 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.
RTX A5000 Max-Q— qui le fait ?
Ceci est un produit de NVIDIA, avec la puce fabriquée par Samsung, sur un processus de 8 .
RTX A5000 Max-Q— quand a-t-il été publié ?
Il a été publié dans April 2021.
RTX A5000 Max-Q— combien de puissance cela utilise-t-il ?
La puissance nominale de la carte est 80 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.
RTX A5000 Max-Q— combien de cache a-t-il ?
Le cache L1 est 128 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.
RTX A5000 Max-Q— quelles sont ses TFLOPS ?
Il est évalué à 16.6 TFLOPS à moitié précision et 16.6 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.
RTX A5000 Max-Q— combien de cœurs tensoriels a-t-il ?
Il a 192 Cœurs Tensor à travers 48 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.
RTX A5000 Max-Q— est-ce qu'il prend en charge CUDA ?
Oui. Il rapporte la capacité de calcul CUDA. 8.6. 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.
RTX A5000 Max-Q— quel interface de bus utilise-t-il ?
Cela utilise PCIe 4.0 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.
RTX A5000 Max-Q— 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 432 des modèles que nous suivons. Que cela soit suffisant dépend entièrement du modèle que vous voulez — le tableau ci-dessus répond directement à cela.
RTX A5000 Max-Q— peut-il exécuter un modèle qui ne tient pas dans sa VRAM ?
Déchargement au-delà de la carte 16 GB est possible et généralement une fausse économie : la partie mémoire-système est suffisamment lente pour dominer le résultat.
Serait deux RTX A5000 Max-Q les cartes peuvent-elles être deux fois plus rapides ?
Non. Une deuxième carte double la mémoire à 32 GB travailler avec plutôt que deux fois les tokens par seconde — chaque chiffre ici est pour une seule carte.
RTX A5000 Max-Q— quels modèles d'IA peut-il exécuter ?
432 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.
RTX A5000 Max-Q— quel est le plus grand modèle AI qu'il peut exécuter ?
Le plus grand modèle de notre catalogue qui s'adapte est Nemotron 3-Nano-30B-A3B à 31.6B paramètres, compressé à Q3_K_M. Cela génère à peu près 77.2 tokens par seconde et a besoin d'environ 14.4 Go de la mémoire de la carte.
RTX A5000 Max-Q— 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 163 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.
RTX A5000 Max-Q— peut-il fonctionner 7B modèles ?
Oui. Par exemple, cela fonctionne. Multi-Token Prediction 7B à Q8_0, environ 7.9 Go de mémoire et générant environ 24.3 tokens par seconde
RTX A5000 Max-Q— peut-il fonctionner 13B modèles ?
Oui. Par exemple, cela fonctionne. DeepSeekMoE-16B à Q6_K, environ 13.7 Go de mémoire et générant environ 82.1 tokens par seconde
RTX A5000 Max-Q— peut-il fonctionner 30B modèles ?
Oui. Par exemple, cela fonctionne. ERNIE-4.5-VL-28B-A3B à Q3_K_M, environ 12.9 Go de mémoire et générant environ 87.1 tokens par seconde
RTX A5000 Max-Q— combien de mémoire cela a-t-il?
Cette carte a 16 GB de GDDR6. Environ un dixième est réservé par le runtime d'inférence et le driver, laissant à peu près 14.4 GB disponible pour un modèle et sa conversation.
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.