Számítsa ki a TPS-t a P102-101 helyi AI modellek
Minden modell a katalógusunkban, amelyet ezzel a kártyával értékeltünk a kiválasztott kontextus hosszán és minimális minőségen. A sebesség egyetlen kérés becslése, amelyet ezen kártya memória sávszélessége és minden modell mérete alapján számoltak ki, miután tömörítették..
Kiszámítva ehhez a kártyához
679 modellek az adatbázisunkban összesen
A legnagyobb modell, amit tartalmaz.
Ling-lite-1.5 ("Bailing")
16.8B · Q3_K_M · 18.5 tok/s
Leggyorsabb modell
Gemma 3 QAT 1B
115 tok/s · 1B
Mely AI modellek futhatnak egy P102-101?
Állítsa be a bemeneteket, olvassa el a választ
Több kontextus több MEMÓRIÁT jelent a beszélgetés gyorsítótárához. A sebesség egy friss beszélgetéshez való, és nem változik ezzel a beállítással..
Elrejti azokat a modelleket, amelyek csak ezen a ponton alá tömörítve férnének el..
381 modellek megfelelnek
Számítás| Kvantisálás | Illeszkedik | ||||||
|---|---|---|---|---|---|---|---|
|
115
tok/s
40–231 · alacsony bizalom |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokenek | Q8_0 | Kényelmes |
|
115
tok/s
40–231 · alacsony bizalom |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokenek | Q8_0 | Kényelmes |
|
115
tok/s
40–231 · alacsony bizalom |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
115
tok/s
40–231 · alacsony bizalom |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
115
tok/s
40–231 · alacsony bizalom |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
115
tok/s
40–231 · alacsony bizalom |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
108
tok/s
38–216 · alacsony bizalom |
DeepSeekMoE-16B | 16B | Jan 2024 | 8.1 GB | 4k tokenek | Q3_K_M | Szoros |
|
107
tok/s
37–214 · alacsony bizalom |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
105
tok/s
37–210 · alacsony bizalom |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
105
tok/s
37–210 · alacsony bizalom |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
105
tok/s
37–210 · alacsony bizalom |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
105
tok/s
37–210 · alacsony bizalom |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
96.1
tok/s
34–192 · alacsony bizalom |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
96.1
tok/s
34–192 · alacsony bizalom |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
96.1
tok/s
34–192 · alacsony bizalom |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
96.1
tok/s
34–192 · alacsony bizalom |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
93.8
tok/s
33–187 · alacsony bizalom |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokenek | Q8_0 | Kényelmes |
|
92.4
tok/s
32–185 · alacsony bizalom |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
88.7
tok/s
31–177 · alacsony bizalom |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
A sebességek egyetlen kérésre - egy beszélgetés egy időben - vonatkozó becslések, amelyeket a MEMORY BANDWIDTH, a MODEL SIZE és a QUANTISATION alapján számítanak ki. A valós áteresztőképesség változik az INFERENCE RUNTIME és annak verziója szerint. A HARDWARE VENDORS által közzétett számok sok párhuzamos kérést mérnek, és sokkal magasabbak..
Nyilvántartásban
P102-101 Teljes specifikáció
Minden az erre a lapra vonatkozóan, rendezve aszerint, mennyire befolyásolja egy nyelvi modell futtatását, nem pedig aszerint, ahogyan egy specifikációs táblázat felsorolná. A MEMORY az első, mert ez határozza meg az eredményt; a többi a CONTEXT..
VRAM
A két specifikáció, ami meghatározza, hogy ezt a KÁRT mit tud futtatni és milyen gyorsan. A kapacitás határozza meg, hogy mely modellek férnek el; a sávszélesség határozza meg, hány token-t állítanak elő másodpercenként, miután elindultak.
- Memóriaméret
- 10 GB
- Memória sávszélesség
- 320 GB/s
- Memória típus
- GDDR5
- Memória busz szélessége
- 320 bit
- Memória óra
- 2 GHz
A chip
Melyik processor található az alaplapon és hogyan készült. Egy kisebb gyártási méret általában jobb teljesítményt jelent ugyanazon energiafelhasználás mellett.
- Grafikus processzor
- GP102
- Architektúra
- Pascal
- Generáció
- Mining GPUs
- Öntödé
- TSMC
- Feldolgozási méret
- 16 nm
- Tranzisztorok
- 11.8 billion
- Tranzisztor sűrűség
- 25,100 K/mm²
- Die méret
- 471 mm²
- Csomag
- BGA-2397
- Kiadott
- 1 January 2018
Órajel sebességek
Milyen gyorsan fut a processzor. Itt sokkal kevesebbet ér, mint egy játékbenchmarkon: a szöveg generálása a MEMÓRIA SÁVSZÉLESSÉG által korlátozott, így egy magasabb órajel alig mozdítja el az eredményt.
- Alap óra
- 1.56 GHz
- Turbóóra
- 1.67 GHz
Feldolgozó egységek
A chip mit tartalmaz. Ezek a grafikai teljesítményt hajtják, és főként egy hosszú prompt feldolgozása szempontjából számítanak, nem pedig a válasz előállítása szempontjából.
- árnyékoló egységek
- 3,200
- Textúrázási egységek
- 200
- Render kimeneti egységek
- 80
- Streaming multiprocesszorok
- 25
- L1 gyorsítótár
- 48 KB
- L2 gyorsítótár
- 2.5 MB
Elméleti teljesítmény
A lapra közzétett csúcsaritmetikai sebességek. Ezek olyan plafonok, amelyeket egy valódi munkaterhelés sem ér el, és a szöveg generálása csak ezek kis részét éri el, mert a memória korlátozza, nem az aritmetika.
- Fél precizitás (FP16)
- 167 GFLOPS
- Egyszeres pontosság (FP32)
- 10.7 TFLOPS
- Kettős pontosság (FP64)
- 334 GFLOPS
- Pixelek aránya
- 134 GPixel/s
- Textúra sebesség
- 334 GTexel/s
A lap
Mi szükséges a kártya fizikális telepítéséhez és működtetéséhez - azok a gyakorlati korlátok, amelyek eldöntik, hogy illeszkedik-e a már meglévő géphez.
- Teljesítményfelvétel (TDP)
- 250 W
- Javasolt tápegység
- 600 W
- Áramellátó csatlakozók
- 2x 8-pin
- Busz interfész
- PCIe 3.0 x4
- Bővítőhely szélessége
- Dual-slot
- Dimenziók
- 267 mm
Szoftver-támogatás
Mely grafikai és számítási interfészeket támogat a kártya. A CUDA számítási képesség az, amely hatással van a következtetésre: 7.0 alatt nincsenek tensor magok, és a modern következtetési szoftver lassabb kódutakra tér vissza.
- CUDA számítási képesség
- 6.1
- DirectX
- 12.1
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Shader modell
- 6.8
Lista
Hol lehet venni egy P102-101
Jelenleg egyetlen forgalmazó sem listázza ezt a kártyát. A listák olyan forgalmazóktól származnak, akik közvetlenül itt publikálják őket. — böngészés a forgalmazói könyvtárban látni, hogy ki mit árul.
Mit jelentenek a számok
Kapacitás és sávszélesség
VRAM
10 GB
Sávszélesség
320 GB/s
Legnagyobb modell
Ling-lite-1.5 ("Bailing")
P102-101 csak hordoz 10 GB -nak GDDR5. Ez korlátozza a katalógus kisebb végére, és egy modellnek teljesen bele kell férnie, mielőtt bármilyen kimenetet generál. Egy futás valójában körülbelül 9 GB.
A memóriával rendelkező sávszélesség eléri 320 GB/s egy buszon keresztül a 320 bit. Ez a szám szabályozza a generálási sebességet — az egy bájtra vonatkozó aritmetika elég kicsi ahhoz, hogy a busz, ne pedig a magok legyenek azok, amire mindenki vár.
A sávszélesség a óra szorozva az busz szélességgel, és ez a KÁRTYA az memória órajelét 2 GHz. A busz szélesítése és az óra megemelése az a két kar, amellyel egy gyártó rendelkezik, ezért egy közönséges magokkal rendelkező kártya is gyorsan tud generálni.
A gyakorlati plafon Ling-lite-1.5 ("Bailing"), 16.8B, tömörítve Q3_K_M és generálás körül 18.5 tokenek másodpercenként
A chip és hogy hogyan készült
P102-101 a grafikus feldolgozón van építve GP102, az architektúra használatával Pascal ból NVIDIA, a generáció részeként Mining GPUs.
A chip-et a következő gyártó készíti TSMC, egy folyamatban 16 , egy kockával, amely méri 471 mm², tartás 11.8 billion Tranzisztorok. Egy kisebb folyamat általában nagyobb teljesítményt jelent ugyanannyi energia mellett, bár a nyelvi modellek esetében ez sokkal kevésbé számít, mint a memória alrendszer.
Megjelent a January 2018, nagyjából 8.5805015684208 évekkel ezelőtt. A következtetési szoftver támogatás általában egy-két évvel követi a hardvert, így egy ilyen korú KÁRTYA általában érett, jól optimalizált kódútvonalakkal rendelkezik.
A számítási teljesítmény, és hogy miért számít kevesebbet, mint amilyennek tűnik
FP16
167 GFLOPS
FP64
334 GFLOPS
Papíron P102-101 elér 167 GFLOPS félnyes pontossággal, és 10.7 TFLOPS egyszeres pontossággal. Ezek csúcsértékek, amelyeket valós terhelés nem fenntart, és a szöveggenerálás csak ezek egy kis töredékét éri el - a dekódolás a memória által korlátozott, nem pedig a számítási műveletek által, ezért egy kártya itt rendkívül erősnek tűnhet, mégis normális sebességgel állít elő tokeneket.
A dupla pontosságú áteresztőképesség eléri 334 GFLOPS. Nincs hatással a nyelvi modell futtatására — a következtetési futási idő nem használja — de elválasztja az adatközponti részeket a fogyasztóiaktól, mivel az utóbbi szándékosan korlátozza azt.
Az órajelek egy alapból futnak 1.56 GHz egy gyorsításra 1.67 GHz. Itt sokkal kevesebbet ér, mint egy játékbenchmarkon: az órajelek emelése felgyorsítja az aritmetikát, és az aritmetika nem az, amire a generáció vár.
Cache és feldolgozó egységek
P102-101 L1 gyorsítótárral rendelkezik 48 Kb, L2 gyorsítótár támogatásával 2.5 MB. A cache egy részesedést felszív a memóriaforgalomból, ami egyébként a fő buszt érné el, ami az egyetlen hely ezen az oldalon, ahol a sávszélességen kívül más szám is csendben befolyásolja a generálási sebességet — egy nagy L2 lehetővé teszi, hogy a munkakészlet több része közel maradjon a magokhoz.
Vannak 3,200 árnyékoló egységek, 200 Textúrázási egységek, és 80 Render kimeneti egységek. Ezek grafikai munkaterheket kezelnek és hozzájárulnak a prompt feldolgozáshoz, de a modell válasz generálásával töltött idő nagy részében tétlenül állnak.
Teljesítmény, méret és telepítés
Teljesítményfogyasztás
250 W
P102-101 rated at 250 W, és a javasolt rendszer tápegység 600 W. Egy nyelvi modell futtatása egy kártyát inkább rövid ideig foglalkoztat, mint folyamatosan — nagy terhelést jelent a generálás során, és kérések között tétlenkedik — így a folyamatos terhelés egy munkanap alatt általában jól a megadott érték alatt van.
A panel elfoglalja dual-slot, mérés 267 mm hosszú, és szükséges 2x 8-pin. Érdemes ellenőrizni a gépben lévő házat és tápegységet, mivel a legnagyobb kártyáknak lényegesen több mindkettőre van szükségük, mint amit egy tipikus asztali gép biztosít.
Csatlakozik a PCIe 3.0 x4. A felület szabályozza, hogy a modell milyen gyorsan töltődik be a lemezről a kártyára, nem azt, hogy ott milyen gyorsan fut, így egy szűkebb kapcsolat néhány másodpercbe kerül a rendszerindításkor, és utána semmi.
Az extremitások
A legnagyobb AI modellek, amelyek futnak egy P102-101
A legnagyobb open weight modellek, amelyek elférnek ezen a kártyán, legújabb elöl. Mindegyik a kártya által elérhető legjobb tömörítésben van megjelenítve..
A leggyorsabb AI modellek egy P102-101
Ahol ez a KÁRTYA a leggyorsabban állítja elő a tokeneket. A kisebb modellek itt dominálnak, mert minden token előállítása azt jelenti, hogy az egész modellt egyszer kell kiolvasni a memóriából..
Lépésről lépésre
Hogyan lehet kiszámolni a tokenek másodpercenként egy P102-101
Nem kell semmit kézzel kiszámolnod — a gputps.com kalkulátor ezen az oldalon már kiszámította minden modelféleséghez, amit ez a kártya elbír. A válasz leolvasása hat lépést igényel..
-
01
Keresd a modellt a táblázatban
A táblázat felsorolja 381 modellek, amelyeket ez a kártya futtathat. Keresés név vagy méret szerint — a 27b beírása a paraméterek számán illeszkedik, még akkor is, ha a név soha nem mondja ki.
-
02
Állítsd be a ténylegesen használt CONTEXT LENGTH-et.
Állítsa be a kontextust a valódi munkahosszára. A rövid kérdések szinte semmit sem számítanak, de egy hosszú dokumentum jelentős részesedést fogyaszthat. 10 GB Gyakran az az, ami egy nagy modellt a határvonalon túlra lök.
-
03
Válaszd ki, meddig szeretnéd tömöríteni.
Alapértelmezés szerint a táblázat a legkevésbé tömörített másolatot választja, ami elfér. A padló beállítása eltávolítja azokat a modelleket, amelyek csak erős tömörítéssel felelnek meg.
-
04
Nézd meg a tartományt, ne csak a számot.
Minden sebesség egy becslés egyetlen beszélgetésre, alatta egy tartományral. A felső határ itt 115 tok/s on Gemma 3 QAT 1B. Ugyanaz a Kártya és Modell harminc és ötven százalékos eltérést mutat a következtetési futási idők között.
-
05
Olvasd el a "fit" verdiktet utoljára.
Egy szoros illeszkedés fut, de nem hagy helyet a későbbi kontextus növelésére; a kényelmesnek van fejtérfölénye. A memória oszlop megmutatja, hogy minden modellnek mire van szüksége a rendelkezésre állóval szemben. 10 GB.
-
06
Ellenőrizze más hardverekkel
Minden modell oldala megismétli ezt a számítást az egész katalógusra. Érdemes megnézni, mielőtt döntesz: megmutatja, mi fut még ugyanazzal a modellel, mellette P102-101.
Válaszok
P102-101 — gyakori kérdések
P102-101— futtatható-e 13B modellek?
Igen. Például fut. DeepSeekMoE-16B at Q3_K_M, használva körülbelül 8.1 GB memória és körülbelül generálás 108 tokenek másodpercenként
P102-101— mennyi VRAM-ja van?
Ez a KÁRTYA rendelkezik 10 GB -nak GDDR5. Körülbelül egy tizedet tartanak fenn az inference futási idő és a meghajtó, így körülbelül 9 GB elérhető egy AI modell számára és annak beszélgetéséhez.
P102-101— mi a memória-sávszélessége?
A memóriával rendelkező sávszélesség eléri 320 GB/s egy buszon keresztül a 320 bit. Ez a legjobb előrejelzője annak, hogy milyen gyorsan generál szöveget, mert minden egyes token előállítása azt jelenti, hogy az egész modellt egyszer el kell olvasni a memóriából.
P102-101— Milyen típusú MEMORY-t használ?
Használja GDDR5 órára állítva 2 GHz. A HBM típusok adatközponti gyorsítókon találhatók, és sokkal nagyobb sávszélességgel rendelkeznek, mint a GDDR, amit asztali kártyákon használnak, ezért ugyanazon kapacitás mellett jelentősen gyorsabban generálnak tokeneket.
P102-101— ki készíti?
Ez egy terméke a NVIDIA, a chip általi gyártásával TSMC, egy folyamatban 16 .
P102-101— Mikor adták ki?
Megjelent a January 2018.
P102-101— mennyi áramot fogyaszt?
A minősített kártya teljesítménye 250 W, és a javasolt rendszer tápegység 600 W. A szöveg generálása nagy terhelést jelent rövid időszakokra, és a kérések között inaktív, így egy munkamenet alatt a fogyasztás általában jól below van a megadott értéknél.
P102-101— mennyi cache-e van?
Az L1 gyorsítótár 48 Kb, és az L2 gyorsítótár 2.5 MB. A Cache felszívja a memóriaforgalom egy részét, amely egyébként elérné a fő buszt, így egy nagyobb L2 szerény mértékben növeli a generálási sebességet, a sávszélesség által egyedül előre jelzett értékhez képest.
P102-101— mennyi a TFLOPS-ja?
Ez értékelve van 167 GFLOPS fél precízióban és 10.7 TFLOPS egyszeres pontossággal. Ezek a csúcs aritmetikai plafonok, nem pedig elérhető sebességek, és a szöveggenerálás csak e plafonok kis részét éri el, mert inkább a memóriabandwidth korlátozza.
P102-101— Támogatja a CUDA-t?
Igen. Jelentést ad a CUDA számítási képességről. 6.1, ami megelőzi a TENSOR CORES-t. A 7.0 és annál magasabb képességű modellek rendelkeznek tenzormagokkal, amelyeket a modern inferencia szoftver használ; ennél alacsonyabb szinten lassabb kódú utakat használ a kvantált modellekhez.
P102-101— Milyen busz interfészt használ?
Használja PCIe 3.0 x4. Ez szabályozza, hogy milyen gyorsan töltődik be egy modell a kártyára, ahelyett, hogy azt nézné, milyen gyorsan fut, miután betöltődött, így ez néhány másodpercet vesz igénybe a rendszerindításkor, és semmit a generálás során.
P102-101— jó helyi AI modellek futtatására?
Memóriája miatt kisebb modellekre korlátozódik, bár sávszélessége azt jelenti, hogy a generálás lassúnak fog tűnni a nagyobb modellek esetében. Összesen fut 381 a modellek számára, amelyeket nyomon követünk. Hogy ez elég-e, az teljesen attól függ, hogy melyik modellt szeretnéd - a fenti táblázat közvetlenül erre válaszol.
P102-101— Futtathat egy modellt, ami nem fér el a VRAM-jában?
Csak részben. Rétegek a kártyán túl. 10 GB lehetséges és általában hamis gazdaság: a rendszer-memória rész elég lassú ahhoz, hogy dominálja az eredményt.
Két P102-101 kártyák kétszer olyan gyorsak lesznek?
A párosításuk fejlesztési lehetőséget biztosít a sebesség helyett: 20 GB kombinált memória, körülbelül ugyanazon generációs sebességgel, mint egy.
P102-101— Melyik AI modellt tud futtatni?
381 a 679 A nyomon követett open-weight nyelvi modellek elférnek ezen a kártyán, és helyben futtathatók. Az ezen az oldalon található táblázat minden egyes modellt felsorol, beleértve a szükséges memória mennyiségét, a futtatási kvantálást és a becsült generálási sebességet.
P102-101— Melyik a legnagyobb AI modell, amit futtatni tud?
A katalógusunkban a legnagyobb modell, ami belefér, az Ling-lite-1.5 ("Bailing") at 16.8B paraméterek, tömörített Q3_K_M. Körülbelül generál. 18.5 token másodpercenként és körülbelül 8.9 A kártya memória GB-ja.
P102-101— mennyi token másodpercenként?
A modell függvénye. A leggyorsabb modell, amit itt követünk, az Gemma 3 QAT 1B körülbelül 115 tokenek másodpercenként, míg a nagyobb modellek arányosan lassabban futnak, mert minden token megköveteli az egész modell memória-ből való egyszeri kiolvasását. A sebességek becslések egyetlen beszélgetés egyidejűleg.
P102-101— futtatható-e 7B modellek?
Igen. Például fut. DeepSeek Coder 6.7B at Q4_K_M, használva körülbelül 8.3 GB memória és körülbelül generálás 39.7 tokenek másodpercenként
A másik irány
Másik oldalról nézve?
Ez az oldal a hardverrel kezdődik. Ha már tudod, melyik AI modelt szeretnéd, és tudni szeretnéd, mi szükséges a futtatásához, Kezdje a MODELBŐL..