Calculer le TPS de la L40 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
Qwen3-Coder-Next
80B · IQ4_XS · 62.4 tok/s
Modèle le plus rapide
Gemma 3 QAT 1B
366 tok/s · 1B
Quels modèles d'IA peuvent fonctionner sur un L40?
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..
576 les modèles correspondent
Calcul en cours| Quantification | Convient | ||||||
|---|---|---|---|---|---|---|---|
|
366
tok/s
311–439 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
366
tok/s
311–439 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
366
tok/s
220–585 · faible confiance |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
366
tok/s
220–585 · faible confiance |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
366
tok/s
220–585 · faible confiance |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
366
tok/s
220–585 · faible confiance |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
339
tok/s
203–542 · faible confiance |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
333
tok/s
200–532 · faible confiance |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
333
tok/s
200–532 · faible confiance |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
333
tok/s
200–532 · faible confiance |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
333
tok/s
200–532 · faible confiance |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
305
tok/s
183–488 · faible confiance |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
305
tok/s
183–488 · faible confiance |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
305
tok/s
183–488 · faible confiance |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
305
tok/s
183–488 · faible confiance |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
298
tok/s
253–357 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k jetons | Q8_0 | Confortable |
|
293
tok/s
176–469 · faible confiance |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · faible confiance |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
281
tok/s
169–450 · 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
L40 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
- 48 GB
- Bande passante de la VRAM
- 864 GB/s
- Type de mémoire
- GDDR6
- Largeur du bus mémoire
- 384 bit
- Fréquence mémoire
- 2.25 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
- AD102
- Architecture
- Ada Lovelace
- Génération
- Server Ada(Lxx)
- Fonderie
- TSMC
- Taille du processus
- 5 nm
- Transistors
- 76.3 billion
- Densité de transistor
- 125,300 K/mm²
- Taille de die
- 609 mm²
- Nouvelles versions
- 13 October 2022
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
- 735 MHz
- Fréquence d'horloge boost
- 2.49 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
- 18,176
- Unités de cartographie de texture
- 568
- Rendre unités de sortie
- 192
- Multiprocesseurs de flux
- 142
- Cœurs Tensor
- 568
- Cœurs de ray tracing
- 142
- Cache L1
- 128 KB
- Cache L2
- 96 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)
- 90.5 TFLOPS
- Précision simple (FP32)
- 90.5 TFLOPS
- Double précision (FP64)
- 1.4 TFLOPS
- Taux de pixels
- 478 GPixel/s
- Taux de texture
- 1,414 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)
- 300 W
- Alimentation électrique suggérée
- 700 W
- Connecteurs d'alimentation
- 1x 16-pin
- Interface de bus
- PCIe 4.0 x16
- Largeur de slot
- Dual-slot
- Dimensions
- 267 mm
- Afficher les sorties
- 4x DisplayPort 1.4a
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
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modèle de Shader
- 6.8
Annonces
Où acheter un L40
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
Mémoire : la spécification qui décide de tout
Mémoire
48 GB
Bande passante
864 GB/s
Modèle le plus grand
Qwen3-Coder-Next
L40 porte 48 GB de GDDR6. Cela couvre les modèles de taille intermédiaire que la plupart des gens exécutent réellement. Une fois que le runtime et le driver ont réservé leur espace de travail, il reste à peu près cette quantité : 43.2 GB.
La bande passante de la VRAM atteint 864 GB/s à travers un bus de 384 bits. Générer un token signifie lire chaque poids une fois, donc ce chiffre fixe le rythme plus que tout autre nombre ici, et à ce niveau, le texte arrive plus rapidement que la plupart des gens ne lisent.
Le chiffre est la largeur du bus multipliée par une horloge de mémoire de 2.25 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 Qwen3-Coder-Next, 80B, compressé à IQ4_XS et générant autour 62.4 tokens par seconde
Le chip et comment il a été construit
L40 est construit sur le processeur graphique AD102, utilisant l'architecture Ada Lovelace de NVIDIA, dans le cadre de la génération Server Ada(Lxx).
Le chip est fabriqué par TSMC, sur un processus de 5 , avec un dé mesurant 609 mm², tenue 76.3 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 October 2022, approximativement 3.7996660595016 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
90.5 TFLOPS
FP64
1.4 TFLOPS
Cœurs Tensor
568
Sur le papier L40 atteint 90.5 TFLOPS à demi-précision, et 90.5 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 1.4 TFLOPS. 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 568 Cœurs Tensor à travers 142 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 735 MHz à un coup de 2.49 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
L40 a un cache L1 de 128 KO, soutenu par un cache L2 de 96 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 18,176 Unités de shading, 568 Unités de cartographie de texture, et 192 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
300 W
L40 est évalué à 300 W, et l'alimentation électrique système suggérée est 700 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 1x 16-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 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 L40
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 L40
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 L40
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 576 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. 48 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
Par défaut, le tableau sélectionne la copie la moins compressée qui s'adapte. Fixer un seuil élimine les modèles qui ne se qualifient que par une compression importante.
-
04
Lisez la vitesse et la portée
Chaque vitesse est une estimation pour une seule conversation, avec une plage en dessous. L'extrémité supérieure ici est 366 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
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. 48 GB.
-
06
Vérifier auprès d'autres matériels
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 L40.
Réponses
L40 — questions courantes
L40— combien de cache a-t-il ?
Le cache L1 est 128 KO, et le cache L2 est 96 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.
L40— quelles sont ses TFLOPS ?
Il est évalué à 90.5 TFLOPS à moitié précision et 90.5 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.
L40— combien de cœurs tensoriels a-t-il ?
Il a 568 Cœurs Tensor à travers 142 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.
L40— est-ce qu'il prend en charge CUDA ?
Oui. Il rapporte la capacité de calcul CUDA. 8.9. 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.
L40— 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.
L40— est-ce bon pour exécuter des modèles d'IA locaux ?
Sa mémoire est suffisamment grande pour des modèles que la plupart des matériels de bureau ne peuvent pas toucher et sa bande passante est suffisamment élevée pour générer du texte plus rapidement que la plupart des gens ne lisent. Au total, il fonctionne 576 des modèles que nous suivons. Que cela soit suffisant dépend entièrement du modèle que vous voulez — le tableau ci-dessus répond directement à cela.
L40— peut-il exécuter un modèle qui ne tient pas dans sa VRAM ?
Il peut être divisé, avec le débordement conservé en mémoire système au-delà de la carte. 48 GB est possible et généralement une fausse économie : la partie mémoire-système est suffisamment lente pour dominer le résultat.
Serait deux L40 les cartes peuvent-elles être deux fois plus rapides ?
Les associer achète de la marge plutôt que du rythme : 96 GB travailler avec plutôt que deux fois les tokens par seconde — chaque chiffre ici est pour une seule carte.
L40— quels modèles d'IA peut-il exécuter ?
576 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.
L40— quel est le plus grand modèle AI qu'il peut exécuter ?
Le plus grand modèle de notre catalogue qui s'adapte est Qwen3-Coder-Next à 80B paramètres, compressé à IQ4_XS. Cela génère à peu près 62.4 tokens par seconde et a besoin d'environ 38.8 Go de la mémoire de la carte.
L40— 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 366 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.
L40— 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 54.6 tokens par seconde
L40— peut-il fonctionner 13B modèles ?
Oui. Par exemple, cela fonctionne. DeepSeekMoE-16B à Q8_0, environ 17.5 Go de mémoire et générant environ 127 tokens par seconde
L40— peut-il fonctionner 30B modèles ?
Oui. Par exemple, cela fonctionne. ERNIE-4.5-VL-28B-A3B à Q8_0, environ 29.2 Go de mémoire et générant environ 72.6 tokens par seconde
L40— peut-il fonctionner 70B modèles ?
Oui. Par exemple, cela fonctionne. Qwen3-Coder-Next à IQ4_XS, environ 38.8 Go de mémoire et générant environ 62.4 tokens par seconde
L40— combien de mémoire cela a-t-il?
Cette carte a 48 GB de GDDR6. Environ un dixième est réservé par le runtime d'inférence et le driver, laissant à peu près 43.2 GB disponible pour un modèle et sa conversation.
L40— quelle est sa bande passante de VRAM ?
La bande passante de la VRAM atteint 864 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.
L40— Quel type de mémoire utilise-t-il ?
Cela utilise GDDR6 à fréquence de 2.25 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.
L40— qui le fait ?
Ceci est un produit de NVIDIA, avec la puce fabriquée par TSMC, sur un processus de 5 .
L40— quand a-t-il été publié ?
Il a été publié dans October 2022.
L40— combien de puissance cela utilise-t-il ?
La puissance nominale de la carte est 300 W, et l'alimentation électrique système suggérée est 700 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.
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.