Számítsa ki a TPS-t a A800 SXM4 80 GB helyi AI modellek

NVIDIA 80 GB HBM2e 2,040 GB/s August 2022

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

609 modellek, amelyeket futtathat

679 modellek az adatbázisunkban összesen

A legnagyobb modell, amit tartalmaz.

dots.llm1

142B · Q3_K_M · 16.4 tok/s

Leggyorsabb modell

Gemma 3 QAT 1B

864 tok/s · 1B

Mely AI modellek futhatnak egy A800 SXM4 80 GB?

Állítsa be a bemeneteket, olvassa el a választ

Kontekthossz tokenek

Több kontextus több MEMÓRIÁT jelent a beszélgetés gyorsítótárához. A sebesség egy friss beszélgetéshez való, és nem változik ezzel a beállítással..

Minimum minőség

Elrejti azokat a modelleket, amelyek csak ezen a ponton alá tömörítve férnének el..

Modellek keresése

Modell méret

Kiadott

Ismertesse a modelleket, amelyeket nem tud futtatni.

609 modellek megfelelnek

Számítás

						Kvantisálás	Illeszkedik
864 tok/s 734–1,037	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokenek	Q8_0	Kényelmes
864 tok/s 734–1,037	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokenek	Q8_0	Kényelmes
864 tok/s 518–1,382 · alacsony bizalom	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
864 tok/s 518–1,382 · alacsony bizalom	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
864 tok/s 518–1,382 · alacsony bizalom	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
864 tok/s 518–1,382 · alacsony bizalom	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
800 tok/s 480–1,280 · alacsony bizalom	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
785 tok/s 471–1,257 · alacsony bizalom	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
785 tok/s 471–1,257 · alacsony bizalom	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
785 tok/s 471–1,257 · alacsony bizalom	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
785 tok/s 471–1,257 · alacsony bizalom	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
720 tok/s 432–1,152 · alacsony bizalom	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
702 tok/s 597–843	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokenek	Q8_0	Kényelmes
693 tok/s 416–1,108 · alacsony bizalom	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · alacsony bizalom	Otter ≈	1.3B	May 2023	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
665 tok/s 399–1,063 · 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

A800 SXM4 80 GB 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: 80 GB
Memória sávszélesség: 2,040 GB/s
Memória típus: HBM2e
Memória busz szélessége: 5,120 bit
Memória óra: 1.59 GHz

A chip

Melyik processor található az alaplapon és hogyan készült. Egy kisebb gyártási méret általában jobb teljesítményt jelent ugyanazon energiafelhasználás mellett.

Grafikus processzor: GA100
Architektúra: Ampere
Generáció: Server Ampere(Axx)
Öntödé: TSMC
Feldolgozási méret: 7 nm
Tranzisztorok: 54.2 billion
Tranzisztor sűrűség: 65,600 K/mm²
Die méret: 826 mm²
Csomag: BGA-2743
Kiadott: 11 August 2022

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: 1.16 GHz
Turbóóra: 1.41 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: 6,912
Textúrázási egységek: 432
Render kimeneti egységek: 160
Streaming multiprocesszorok: 108
Tenzor magok: 432
L1 gyorsítótár: 192 KB
L2 gyorsítótár: 40 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): 78 TFLOPS
Egyszeres pontosság (FP32): 19.5 TFLOPS
Kettős pontosság (FP64): 9.7 TFLOPS
Pixelek aránya: 226 GPixel/s
Textúra sebesség: 609 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): 400 W
Javasolt tápegység: 800 W
Áramellátó csatlakozók: None
Busz interfész: PCIe 4.0 x16
Bővítőhely szélessége: SXM Module

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: 8.0
OpenCL: 3.0

Lista

Hol lehet venni egy A800 SXM4 80 GB

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

80 GB

Sávszélesség

2,040 GB/s

Legnagyobb modell

dots.llm1

A800 SXM4 80 GB tartalmaz 80 GB -nak HBM2e. Ez a hardverosztályba helyezi, amely képes a legnagyobb open WEIGHT modellek tárolására anélkül, hogy azokat gépek között osztaná meg. Egy inference RUNTIME körülbelül elérheti 72 GB.

A memóriával rendelkező sávszélesség eléri 2,040 GB/s egy buszon keresztül a 5,120 bit. Ez van a létező dolgok csúcsán. Mivel minden token azt jelenti, hogy az egész modellt egyszerre olvassuk ki a MEMÓRIÁBÓL, szinte közvetlenül a generálási sebességbe fordul — ez a KÁRTYA elég sávszélességgel bír ahhoz, hogy a modell mérete jóval korábban ne legyen a korlátozó tényező, mint ahogy a busz lenne.

A szám a busz szélessége és a memória óra szorzataként van. 1.59 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 gyakorlatban ez a kombináció a következőnél végződik dots.llm1, 142B, tömörítve Q3_K_M és generálás körül 16.4 tokenek másodpercenként

A chip és hogy hogyan készült

A800 SXM4 80 GB a grafikus feldolgozón van építve GA100, az architektúra használatával Ampere ból NVIDIA, a generáció részeként Server Ampere(Axx).

A chip-et a következő gyártó készíti TSMC, egy folyamatban 7 , egy kockával, amely méri 826 mm², tartás 54.2 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 August 2022, nagyjából 3.9724571261005 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

78 TFLOPS

FP64

9.7 TFLOPS

Tenzor magok

432

Papíron A800 SXM4 80 GB elér 78 TFLOPS félnyes pontossággal, és 19.5 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 9.7 TFLOPS. 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 432 Tenzor magok át跨 108 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 1.16 GHz egy gyorsításra 1.41 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

A800 SXM4 80 GB L1 gyorsítótárral rendelkezik 192 Kb, L2 gyorsítótár támogatásával 40 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 6,912 árnyékoló egységek, 432 Textúrázási egységek, és 160 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

400 W

A800 SXM4 80 GB rated at 400 W, és a javasolt rendszer tápegység 800 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 sxm module. 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 A800 SXM4 80 GB

A legnagyobb open weight modellek, amelyek elférnek ezen a kártyán, legújabb elöl. Mindegyik a kártya által elérhető legjobb tömörítésben van megjelenítve..

01 Mistral Medium 3.5 128B · IQ4_XS · Apr 2026 16.6 tok/s
02 dots.llm1 142B · Q3_K_M · Jul 2025 16.4 tok/s
03 Pixtral Large 124B · IQ4_XS · Nov 2024 17.1 tok/s
04 xLAM-8x22B 141B · Q3_K_M · Sep 2024 16.5 tok/s
05 SaulLM-large 141B · Q3_K_M · Jul 2024 16.5 tok/s
06 Mixtral 8x22B 141B · Q3_K_M · Apr 2024 59.8 tok/s
07 WizardLM-2 8x22B 141B · Q3_K_M · Apr 2024 16.5 tok/s
08 Zephyr 141B-A39B 141B · Q3_K_M · Apr 2024 59.8 tok/s
09 APUS-xDAN-4.0(MoE) 136B · Q3_K_M · Apr 2024 17.1 tok/s
10 DBRX 132B · IQ4_XS · Mar 2024 58.9 tok/s

A leggyorsabb AI modellek egy A800 SXM4 80 GB

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..

01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 864 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 864 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 864 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 864 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 864 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 864 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 800 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 785 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 785 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 785 tok/s

Lépésről lépésre

Hogyan lehet kiszámolni a tokenek másodpercenként egy A800 SXM4 80 GB

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

Keleti AI model, amely nem illeszthető a GPU VRAM-ba, szoros megszorításokkal futtatható, kényelmesen vagy könnyen fut, nyílt forráskódú AI model, az adatbázisunkban található, legújabb GPU-k, GPU VRAM/bandwidth, GPU kártya, AI kontextusablak.

A táblázat felsorolja 609 modellek, amelyeket ez a kártya futtat. A keresés szűkíti a listát név vagy méret alapján.
02

Illeszd a kontextust a munkádhoz

Húzza el a csúszkát a tervezett beszélgetési hosszhoz, amin dolgozni kíván. A cache a beszélgetéssel nő, és egy kártyával szemben tart. 80 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

Használja a tartományt válaszként

Minden sebesség egy becslés egyetlen beszélgetésre, alatta egy tartományral. A felső határ itt 864 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 Szoros azt jelenti, hogy ma működik; a Kényelmes azt jelenti, hogy még mindig működik, amikor a beszélgetés nő. Hasonlítsa össze, hogy az egyes modelleknek mire van szükségük egy elérhetővel. 80 GB.
06

Ellenőrizze más hardverekkel

Minden modell neve a táblázatban a saját oldalára mutat, amely ugyanazt a számítást végzi el az összes kártyán, amelyet birtoklunk. Itt láthatja, hogy a megfelelő vásárlás megfelel-e A800 SXM4 80 GB.

Válaszok

A800 SXM4 80 GB — gyakori kérdések

A800 SXM4 80 GB— Melyik a legnagyobb AI modell, amit futtatni tud?

A katalógusunkban a legnagyobb modell, ami belefér, az dots.llm1 at 142B paraméterek, tömörített Q3_K_M. Körülbelül generál. 16.4 token másodpercenként és körülbelül 70.1 A kártya memória GB-ja.

A800 SXM4 80 GB— mennyi token másodpercenként?

A modell függvénye. A leggyorsabb modell, amit itt követünk, az Gemma 3 QAT 1B körülbelül 864 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.

A800 SXM4 80 GB— futtatható-e 7B modellek?

Igen. Például fut. Multi-Token Prediction 7B at Q8_0, használva körülbelül 7.9 GB memória és körülbelül generálás 129 tokenek másodpercenként

A800 SXM4 80 GB— futtatható-e 13B modellek?

Igen. Például fut. DeepSeekMoE-16B at Q8_0, használva körülbelül 17.5 GB memória és körülbelül generálás 300 tokenek másodpercenként

A800 SXM4 80 GB— 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 171 tokenek másodpercenként

A800 SXM4 80 GB— futtatható-e 70B modellek?

Igen. Például fut. Qwen3-Coder-Next at Q6_K, használva körülbelül 62.0 GB memória és körülbelül generálás 87.2 tokenek másodpercenként

A800 SXM4 80 GB— mennyi VRAM-ja van?

Ez a KÁRTYA rendelkezik 80 GB -nak HBM2e. Körülbelül egy tizedet tartanak fenn az inference futási idő és a meghajtó, így körülbelül 72 GB elérhető egy AI modell számára és annak beszélgetéséhez.

A800 SXM4 80 GB— mi a memória-sávszélessége?

A memóriával rendelkező sávszélesség eléri 2,040 GB/s egy buszon keresztül a 5,120 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.

A800 SXM4 80 GB— Milyen típusú MEMORY-t használ?

Használja HBM2e órára állítva 1.59 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.

A800 SXM4 80 GB— ki készíti?

Ez egy terméke a NVIDIA, a chip általi gyártásával TSMC, egy folyamatban 7 .

A800 SXM4 80 GB— Mikor adták ki?

Megjelent a August 2022.

A800 SXM4 80 GB— mennyi áramot fogyaszt?

A minősített kártya teljesítménye 400 W, és a javasolt rendszer tápegység 800 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.

A800 SXM4 80 GB— mennyi cache-e van?

Az L1 gyorsítótár 192 Kb, és az L2 gyorsítótár 40 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.

A800 SXM4 80 GB— mennyi a TFLOPS-ja?

Ez értékelve van 78 TFLOPS fél precízióban és 19.5 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.

A800 SXM4 80 GB— Hány TENSOR CORE-ja van?

Van 432 Tenzor magok át跨 108 Streaming multiprocesszorok. Felgyorsítják a mátrixaritmetikát, amelyből a transformer fel van építve, ami elsősorban a hosszú prompt feldolgozását gyorsítja, nem pedig a válasz előállítását.

A800 SXM4 80 GB— Támogatja a CUDA-t?

Igen. Jelentést ad a CUDA számítási képességről. 8.0. 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.

A800 SXM4 80 GB— 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.

A800 SXM4 80 GB— jó helyi AI modellek futtatására?

Elég nagy a memória ahhoz, hogy olyan modelleket támogasson, amelyeket a legtöbb asztali hardver nem tud kezelni, és a sávszélessége a leggyorsabb elérhető hardverek közé helyezi a generáláshoz. Összesen fut 609 a modellek számára, amelyeket nyomon követünk. Hogy ez elég-e, az teljesen attól függ, hogy melyik modellt szeretnéd - a fenti táblázat közvetlenül erre válaszol.

A800 SXM4 80 GB— Futtathat egy modellt, ami nem fér el a VRAM-jában?

Fel lehet osztani, az átlépés a rendszer MEMÓRIÁBAN marad, a kártya mögött. 80 GB lehetséges és általában hamis gazdaság: a rendszer-memória rész elég lassú ahhoz, hogy dominálja az eredményt.

Két A800 SXM4 80 GB kártyák kétszer olyan gyorsak lesznek?

Nem. Egy második kártya megduplázza a MEMÓRIÁT a 160 GB egy GPU-val dolgozni, nem pedig kétszer annyi TOKEN másodpercenként — minden szám egyetlen KÁRTYÁRA vonatkozik.

A800 SXM4 80 GB— Melyik AI modellt tud futtatni?

609 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.

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..

Minden GPU