Calculer le TPS de la L4 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
Mixtral 8x7B
46.7B · Q3_K_M · 26.6 tok/s
Modèle le plus rapide
Gemma 3 QAT 1B
127 tok/s · 1B
Quels modèles d'IA peuvent fonctionner sur un L4?
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..
502 les modèles correspondent
Calcul en cours| Quantification | Convient | ||||||
|---|---|---|---|---|---|---|---|
|
127
tok/s
108–153 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
127
tok/s
108–153 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k jetons | Q8_0 | Confortable |
|
127
tok/s
76–203 · faible confiance |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
127
tok/s
76–203 · faible confiance |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
127
tok/s
76–203 · faible confiance |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
127
tok/s
76–203 · faible confiance |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k jetons ? | Q8_0 | Confortable |
|
118
tok/s
71–188 · faible confiance |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
116
tok/s
69–185 · faible confiance |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
116
tok/s
69–185 · faible confiance |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
116
tok/s
69–185 · faible confiance |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
116
tok/s
69–185 · faible confiance |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k jetons ? | Q8_0 | Confortable |
|
106
tok/s
64–169 · faible confiance |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
106
tok/s
64–169 · faible confiance |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
106
tok/s
64–169 · faible confiance |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
106
tok/s
64–169 · faible confiance |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
103
tok/s
88–124 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k jetons | Q8_0 | Confortable |
|
102
tok/s
61–163 · faible confiance |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · faible confiance |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k jetons ? | Q8_0 | Confortable |
|
97.8
tok/s
59–156 · 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
L4 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
- 24 GB
- Bande passante de la VRAM
- 300 GB/s
- Type de mémoire
- GDDR6
- Largeur du bus mémoire
- 192 bit
- Fréquence mémoire
- 1.56 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
- AD104
- Architecture
- Ada Lovelace
- Génération
- Server Ada(Lxx)
- Fonderie
- TSMC
- Taille du processus
- 5 nm
- Transistors
- 35.8 billion
- Densité de transistor
- 121,800 K/mm²
- Taille de die
- 294 mm²
- Nouvelles versions
- 21 March 2023
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
- 795 MHz
- Fréquence d'horloge boost
- 2.04 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
- 7,424
- Unités de cartographie de texture
- 240
- Rendre unités de sortie
- 80
- Multiprocesseurs de flux
- 60
- Cœurs Tensor
- 240
- Cœurs de ray tracing
- 60
- Cache L1
- 128 KB
- Cache L2
- 48 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)
- 30.3 TFLOPS
- Précision simple (FP32)
- 30.3 TFLOPS
- Double précision (FP64)
- 473.3 GFLOPS
- Taux de pixels
- 163 GPixel/s
- Taux de texture
- 490 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)
- 72 W
- Alimentation électrique suggérée
- 250 W
- Connecteurs d'alimentation
- None
- Interface de bus
- PCIe 4.0 x16
- Largeur de slot
- Single-slot
- Dimensions
- 169 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
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modèle de Shader
- 6.8
Annonces
Où acheter un L4
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
24 GB
Bande passante
300 GB/s
Modèle le plus grand
Mixtral 8x7B
L4 porte 24 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 : 21.6 GB.
La bande passante de la VRAM atteint 300 GB/s à travers un bus de 192 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 1.56 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 Mixtral 8x7B, 46.7B, compressé à Q3_K_M et générant autour 26.6 tokens par seconde
Le chip et comment il a été construit
L4 est construit sur le processeur graphique AD104, 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 294 mm², tenue 35.8 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 March 2023, approximativement 3.3640479140262 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
30.3 TFLOPS
FP64
473.3 GFLOPS
Cœurs Tensor
240
Sur le papier L4 atteint 30.3 TFLOPS à demi-précision, et 30.3 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 473.3 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 240 Cœurs Tensor à travers 60 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 795 MHz à un coup de 2.04 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
L4 a un cache L1 de 128 KO, soutenu par un cache L2 de 48 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 7,424 Unités de shading, 240 Unités de cartographie de texture, et 80 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
72 W
L4 est évalué à 72 W, et l'alimentation électrique système suggérée est 250 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 169 mm long. 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 L4
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 L4
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 L4
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
Recherchez le modèle que vous souhaitez
Le tableau liste 502 modèles que cette carte exécute. La recherche affine la liste par nom ou par taille.
-
02
Décidez combien de temps vos conversations tournent
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. 24 GB c'est souvent ce qui pousse un grand modèle au-delà du seuil.
-
03
Choisissez jusqu'où vous allez compresser
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 127 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
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 24 GB.
-
06
Vérifiez le même modèle de l'autre côté.
Chaque page de modèle répète ce calcul pour l'ensemble du catalogue. Ça vaut le coup d'œil avant de décider : cela montre ce qui d'autre exécute le même modèle, aux côtés L4.
Réponses
L4 — questions courantes
L4— 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. 24 GB traîne tout vers le bas, et aucune des données sur cette page ne le suppose.
Serait deux L4 les cartes peuvent-elles être deux fois plus rapides ?
Les associer achète de la marge plutôt que du rythme : 48 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.
L4— quels modèles d'IA peut-il exécuter ?
502 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.
L4— quel est le plus grand modèle AI qu'il peut exécuter ?
Le plus grand modèle de notre catalogue qui s'adapte est Mixtral 8x7B à 46.7B paramètres, compressé à Q3_K_M. Cela génère à peu près 26.6 tokens par seconde et a besoin d'environ 21.0 Go de la mémoire de la carte.
L4— 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 127 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.
L4— 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 19.0 tokens par seconde
L4— peut-il fonctionner 13B modèles ?
Oui. Par exemple, cela fonctionne. DeepSeekMoE-16B à Q8_0, environ 17.5 Go de mémoire et générant environ 44.1 tokens par seconde
L4— peut-il fonctionner 30B modèles ?
Oui. Par exemple, cela fonctionne. Nemotron 3-Nano-30B-A3B à Q4_K_M, environ 18.1 Go de mémoire et générant environ 51.6 tokens par seconde
L4— combien de mémoire cela a-t-il?
Cette carte a 24 GB de GDDR6. Environ un dixième est réservé par le runtime d'inférence et le driver, laissant à peu près 21.6 GB disponible pour un modèle et sa conversation.
L4— quelle est sa bande passante de VRAM ?
La bande passante de la VRAM atteint 300 GB/s à travers un bus de 192 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.
L4— Quel type de mémoire utilise-t-il ?
Cela utilise GDDR6 à fréquence de 1.56 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.
L4— qui le fait ?
Ceci est un produit de NVIDIA, avec la puce fabriquée par TSMC, sur un processus de 5 .
L4— quand a-t-il été publié ?
Il a été publié dans March 2023.
L4— combien de puissance cela utilise-t-il ?
La puissance nominale de la carte est 72 W, et l'alimentation électrique système suggérée est 250 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.
L4— combien de cache a-t-il ?
Le cache L1 est 128 KO, et le cache L2 est 48 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.
L4— quelles sont ses TFLOPS ?
Il est évalué à 30.3 TFLOPS à moitié précision et 30.3 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.
L4— combien de cœurs tensoriels a-t-il ?
Il a 240 Cœurs Tensor à travers 60 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.
L4— 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.
L4— 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.
L4— est-ce bon pour exécuter des modèles d'IA locaux ?
Sa mémoire couvre confortablement les modèles de taille moyenne que la plupart des gens exécutent localement, bien que sa bande passante signifie que la génération semblera lente sur des modèles plus grands. Au total, il exécute 502 des modèles que nous suivons. Que cela soit suffisant dépend entièrement du modèle que vous voulez — le tableau ci-dessus répond directement à cela.
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.