Számítsa ki a TPS-t a A40 PCIe 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.
Qwen3-Coder-Next
80B · IQ4_XS · 50.3 tok/s
Leggyorsabb modell
Gemma 3 QAT 1B
295 tok/s · 1B
Mely AI modellek futhatnak egy A40 PCIe?
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..
576 modellek megfelelnek
Számítás| Kvantisálás | Illeszkedik | ||||||
|---|---|---|---|---|---|---|---|
|
295
tok/s
250–354 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokenek | Q8_0 | Kényelmes |
|
295
tok/s
250–354 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokenek | Q8_0 | Kényelmes |
|
295
tok/s
177–472 · alacsony bizalom |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
295
tok/s
177–472 · alacsony bizalom |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
295
tok/s
177–472 · alacsony bizalom |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
295
tok/s
177–472 · alacsony bizalom |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
273
tok/s
164–437 · alacsony bizalom |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
268
tok/s
161–429 · alacsony bizalom |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
268
tok/s
161–429 · alacsony bizalom |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
268
tok/s
161–429 · alacsony bizalom |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
268
tok/s
161–429 · alacsony bizalom |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
246
tok/s
147–393 · alacsony bizalom |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
246
tok/s
147–393 · alacsony bizalom |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
246
tok/s
147–393 · alacsony bizalom |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
246
tok/s
147–393 · alacsony bizalom |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
240
tok/s
204–288 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokenek | Q8_0 | Kényelmes |
|
236
tok/s
142–378 · alacsony bizalom |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokenek ? | Q8_0 | Kényelmes |
|
227
tok/s
136–363 · alacsony bizalom |
Phi-1 ≈ | 1.3B | Oct 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
A40 PCIe 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
- 48 GB
- Memória sávszélesség
- 696 GB/s
- Memória típus
- GDDR6
- Memória busz szélessége
- 384 bit
- Memória óra
- 1.81 GHz
A chip
Melyik processor található az alaplapon és hogyan készült. Egy kisebb gyártási méret általában jobb teljesítményt jelent ugyanazon energiafelhasználás mellett.
- Grafikus processzor
- GA102
- Architektúra
- Ampere
- Generáció
- Server Ampere(Axx)
- Öntödé
- Samsung
- Feldolgozási méret
- 8 nm
- Tranzisztorok
- 28.3 billion
- Tranzisztor sűrűség
- 45,100 K/mm²
- Die méret
- 628 mm²
- Csomag
- BGA-3328
- Kiadott
- 5 October 2020
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
- 1.31 GHz
- Turbóóra
- 1.74 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
- 10,752
- Textúrázási egységek
- 336
- Render kimeneti egységek
- 112
- Streaming multiprocesszorok
- 84
- Tenzor magok
- 336
- Ray tracing magok
- 84
- L1 gyorsítótár
- 128 KB
- L2 gyorsítótár
- 6 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)
- 37.4 TFLOPS
- Egyszeres pontosság (FP32)
- 37.4 TFLOPS
- Kettős pontosság (FP64)
- 584.6 GFLOPS
- Pixelek aránya
- 195 GPixel/s
- Textúra sebesség
- 585 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)
- 300 W
- Javasolt tápegység
- 700 W
- Áramellátó csatlakozók
- 8-pin EPS
- Busz interfész
- PCIe 4.0 x16
- Bővítőhely szélessége
- Dual-slot
- Dimenziók
- 267 mm
- Kimenetek megjelenítése
- 3x DisplayPort 1.4a
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
- 8.6
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Shader modell
- 6.8
Lista
Hol lehet venni egy A40 PCIe
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
48 GB
Sávszélesség
696 GB/s
Legnagyobb modell
Qwen3-Coder-Next
A40 PCIe hordoz 48 GB -nak GDDR6. Ez lefedi a legtöbb ember által valóban futtatott közepes méretű modelleket. Miután a futási idő és a meghajtó lefoglalja a munkaterületét, körülbelül ennyi marad: 43.2 GB.
A memóriával rendelkező sávszélesség eléri 696 GB/s egy buszon keresztül a 384 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 1.81 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 legnagyobb dolog, amit tart, az Qwen3-Coder-Next, 80B, tömörítve IQ4_XS és generálás körül 50.3 tokenek másodpercenként
A chip és hogy hogyan készült
A40 PCIe a grafikus feldolgozón van építve GA102, az architektúra használatával Ampere ból NVIDIA, a generáció részeként Server Ampere(Axx).
A chip-et a következő gyártó készíti Samsung, egy folyamatban 8 , egy kockával, amely méri 628 mm², tartás 28.3 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 October 2020, nagyjából 5.8217623648432 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
37.4 TFLOPS
FP64
584.6 GFLOPS
Tenzor magok
336
Papíron A40 PCIe elér 37.4 TFLOPS félnyes pontossággal, és 37.4 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 584.6 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.
A kártya hordozza 336 Tenzor magok át跨 84 Streaming multiprocesszorok. Ezek felgyorsítják a mátrix aritmetikát, amely a transzformátor szívében található, és ők azok, akik drámaian gyorsabbá teszik a prompt feldolgozást — egy hosszú dokumentum elolvasását mielőtt válaszolnának — mint ahogyan az máskülönben lenne.
Az órajelek egy alapból futnak 1.31 GHz egy gyorsításra 1.74 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
A40 PCIe L1 gyorsítótárral rendelkezik 128 Kb, L2 gyorsítótár támogatásával 6 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 10,752 árnyékoló egységek, 336 Textúrázási egységek, és 112 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
300 W
A40 PCIe rated at 300 W, és a javasolt rendszer tápegység 700 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 8-pin EPS. 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 4.0 x16. 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 A40 PCIe
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 A40 PCIe
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 A40 PCIe
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 meg a kívánt modellt
A táblázat felsorolja 576 modellek, amiket a KÁRTYA kezel. A keresőmező egy nevet vagy egy méretet acceptál, mint például 27b, ami a paraméterszámmal egyezik.
-
02
Állítsd be a ténylegesen használt CONTEXT LENGTH-et.
A hosszabb beszélgetések memóriahasználata a súlyok mellett. 48 GB Gyakran az az, ami egy nagy modellt a határvonalon túlra lök.
-
03
Válaszd ki, meddig szeretnéd tömöríteni.
Minden modell a legjobb tömörítésnél van megjelenítve, amit ez a KÁRTYA elbír. Egy minimális minőség elrejti azokat, amelyek csak úgy férnek el, ha további szorításra kerülnek, mint amit te elfogadnál.
-
04
Olvasd el a sebességet és a hatótávolságot
Minden sebesség egy becslés egyetlen beszélgetésre, alatta egy tartományral. A felső határ itt 295 tok/s on Gemma 3 QAT 1B. Ugyanaz a Kártya és Modell harminc és ötven százalékos eltérést mutat a következtetési futási idők között.
-
05
Ellenőrizze a memória oszlopot elköteleződés előtt.
A megfelelő oszlop elkülöníti azokat a modelleket, amelyek éppen elférnek, azoktól, amelyeknek van szabad helyük — érdemes megnézni, mielőtt döntést hozunk egy elérhetőről. 48 GB.
-
06
Nyisd meg a modellt, hogy összehasonlíthasd a kártyákat.
Követve egy modellt a saját oldalán, felsorolja az összes hardvert, ami futtathatja, így láthatod, hogyan hasonlít össze A40 PCIe.
Válaszok
A40 PCIe — gyakori kérdések
A40 PCIe— futtatható-e 13B modellek?
Igen. Például fut. DeepSeekMoE-16B at Q8_0, használva körülbelül 17.5 GB memória és körülbelül generálás 102 tokenek másodpercenként
A40 PCIe— futtatható-e 30B modellek?
Igen. Például fut. ERNIE-4.5-VL-28B-A3B at Q8_0, használva körülbelül 29.2 GB memória és körülbelül generálás 58.5 tokenek másodpercenként
A40 PCIe— futtatható-e 70B modellek?
Igen. Például fut. Qwen3-Coder-Next at IQ4_XS, használva körülbelül 38.8 GB memória és körülbelül generálás 50.3 tokenek másodpercenként
A40 PCIe— mennyi VRAM-ja van?
Ez a KÁRTYA rendelkezik 48 GB -nak GDDR6. Körülbelül egy tizedet tartanak fenn az inference futási idő és a meghajtó, így körülbelül 43.2 GB elérhető egy AI modell számára és annak beszélgetéséhez.
A40 PCIe— mi a memória-sávszélessége?
A memóriával rendelkező sávszélesség eléri 696 GB/s egy buszon keresztül a 384 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.
A40 PCIe— Milyen típusú MEMORY-t használ?
Használja GDDR6 órára állítva 1.81 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.
A40 PCIe— ki készíti?
Ez egy terméke a NVIDIA, a chip általi gyártásával Samsung, egy folyamatban 8 .
A40 PCIe— Mikor adták ki?
Megjelent a October 2020.
A40 PCIe— mennyi áramot fogyaszt?
A minősített kártya teljesítménye 300 W, és a javasolt rendszer tápegység 700 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.
A40 PCIe— mennyi cache-e van?
Az L1 gyorsítótár 128 Kb, és az L2 gyorsítótár 6 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.
A40 PCIe— mennyi a TFLOPS-ja?
Ez értékelve van 37.4 TFLOPS fél precízióban és 37.4 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.
A40 PCIe— Hány TENSOR CORE-ja van?
Van 336 Tenzor magok át跨 84 Streaming multiprocesszorok. Felgyorsítják a mátrixaritmetikát, amelyből a transformer fel van építve, ami elsősorban a hosszú prompt feldolgozását gyorsítja, nem pedig a válasz előállítását.
A40 PCIe— Támogatja a CUDA-t?
Igen. Jelentést ad a CUDA számítási képességről. 8.6. 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.
A40 PCIe— Milyen busz interfészt használ?
Használja PCIe 4.0 x16. 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.
A40 PCIe— jó helyi AI modellek futtatására?
Memóriája elég nagy ahhoz, hogy olyan modelleket támogasson, amelyeket a legtöbb asztali hardver nem tud elérni, és sávszélessége használható, ha nem is lenyűgöző, generálási sebességet biztosít. Összesen ez fut 576 a modellek számára, amelyeket nyomon követünk. Hogy ez elég-e, az teljesen attól függ, hogy melyik modellt szeretnéd - a fenti táblázat közvetlenül erre válaszol.
A40 PCIe— Futtathat egy modellt, ami nem fér el a VRAM-jában?
Csak részben. Rétegek a kártyán túl. 48 GB lehúzza az egészet, és az ezen az oldalon található számok egyike sem feltételezi azt.
Két A40 PCIe kártyák kétszer olyan gyorsak lesznek?
A kapacitás hozzáadódik, a throughput nem. Kettő együtt ad neked 96 GB egy GPU-val dolgozni, nem pedig kétszer annyi TOKEN másodpercenként — minden szám egyetlen KÁRTYÁRA vonatkozik.
A40 PCIe— Melyik AI modellt tud futtatni?
576 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.
A40 PCIe— Melyik a legnagyobb AI modell, amit futtatni tud?
A katalógusunkban a legnagyobb modell, ami belefér, az Qwen3-Coder-Next at 80B paraméterek, tömörített IQ4_XS. Körülbelül generál. 50.3 token másodpercenként és körülbelül 38.8 A kártya memória GB-ja.
A40 PCIe— mennyi token másodpercenként?
A modell függvénye. A leggyorsabb modell, amit itt követünk, az Gemma 3 QAT 1B körülbelül 295 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.
A40 PCIe— futtatható-e 7B modellek?
Igen. Például fut. Multi-Token Prediction 7B at Q8_0, használva körülbelül 7.9 GB memória és körülbelül generálás 44.0 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..