Számítsa ki a TPS-t a Data Center GPU Flex 140 helyi AI modellek

Intel 6 GB GDDR6 186 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

266 modellek, amelyeket futtathat

679 modellek az adatbázisunkban összesen

A legnagyobb modell, amit tartalmaz.

Qwen-VL

9.6B · Q3_K_M · 14.4 tok/s

Leggyorsabb modell

Gemma 3 QAT 1B

51.2 tok/s · 1B

Mely AI modellek futhatnak egy Data Center GPU Flex 140?

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.

266 modellek megfelelnek

Számítás

						Kvantisálás	Illeszkedik
51.2 tok/s 31–82 · alacsony bizalom	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokenek	Q8_0	Kényelmes
51.2 tok/s 31–82 · alacsony bizalom	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokenek	Q8_0	Kényelmes
51.2 tok/s 31–82 · alacsony bizalom	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
51.2 tok/s 31–82 · alacsony bizalom	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
51.2 tok/s 31–82 · alacsony bizalom	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
51.2 tok/s 31–82 · alacsony bizalom	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokenek ?	Q8_0	Kényelmes
47.4 tok/s 28–76 · alacsony bizalom	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
46.6 tok/s 28–74 · alacsony bizalom	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
46.6 tok/s 28–74 · alacsony bizalom	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
46.6 tok/s 28–74 · alacsony bizalom	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
46.6 tok/s 28–74 · alacsony bizalom	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokenek ?	Q8_0	Kényelmes
42.7 tok/s 26–68 · alacsony bizalom	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
42.7 tok/s 26–68 · alacsony bizalom	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
42.7 tok/s 26–68 · alacsony bizalom	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
42.7 tok/s 26–68 · alacsony bizalom	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
41.6 tok/s 25–67 · alacsony bizalom	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	113k tokenek	Q8_0	Kényelmes
41.1 tok/s 25–66 · alacsony bizalom	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · alacsony bizalom	Otter ≈	1.3B	May 2023	2.1 GB	131k tokenek ?	Q8_0	Kényelmes
39.4 tok/s 24–63 · 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

Data Center GPU Flex 140 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: 6 GB
Memória sávszélesség: 186 GB/s
Memória típus: GDDR6
Memória busz szélessége: 96 bit
Memória óra: 1.94 GHz

A chip

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

Grafikus processzor: DG2-128
Architektúra: Xe-HPG
Generáció: Data Center GPU(Arctic Sound)
Öntödé: TSMC
Feldolgozási méret: 6 nm
Tranzisztorok: 7.2 billion
Tranzisztor sűrűség: 45,900 K/mm²
Die méret: 157 mm²
Kiadott: 24 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: 1.6 GHz
Turbóóra: 1.95 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: 1,024
Textúrázási egységek: 64
Render kimeneti egységek: 32
Ray tracing magok: 8
L2 gyorsítótár: 4 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): 8 TFLOPS
Egyszeres pontosság (FP32): 4 TFLOPS
Pixelek aránya: 62 GPixel/s
Textúra sebesség: 125 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): 75 W
Javasolt tápegység: 250 W
Áramellátó csatlakozók: 1x 8-pin
Busz interfész: PCIe 4.0 x8
Bővítőhely szélessége: Single-slot
Dimenziók: 170 mm × 29 mm
Kimenetek megjelenítése: 1x HDMI 2.1, 3x DisplayPort 2.0

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.

DirectX: 12.2
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Shader modell: 6.6

Lista

Hol lehet venni egy Data Center GPU Flex 140

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

Miért a memória az a szám, ami itt számít

VRAM

6 GB

Sávszélesség

186 GB/s

Legnagyobb modell

Qwen-VL

Data Center GPU Flex 140 csak hordoz 6 GB -nak GDDR6. Ez korlátozza a katalógus kisebb végére, és egy modellnek teljesen bele kell férnie, mielőtt bármilyen kimenetet generál. Egy futás valójában körülbelül 5.4 GB.

A memóriával rendelkező sávszélesség eléri 186 GB/s egy buszon keresztül a 96 bit. A Sávszélesség ennek a kártyának a valódi korlátozása. Minden token megköveteli az egész modell kiolvasását a memóriából, így egy nagy modell lassúnak tűnik itt, még akkor is, ha belefér.

Ez egy MEMORY CLOCK-ból származik 1.94 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 Qwen-VL, 9.6B, tömörítve Q3_K_M és generálás körül 14.4 tokenek másodpercenként

A chip és hogy hogyan készült

Data Center GPU Flex 140 a grafikus feldolgozón van építve DG2-128, az architektúra használatával Xe-HPG ból Intel, a generáció részeként Data Center GPU(Arctic Sound).

A chip-et a következő gyártó készíti TSMC, egy folyamatban 6 , egy kockával, amely méri 157 mm², tartás 7.2 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 3.9368263219568 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

8 TFLOPS

Papíron Data Center GPU Flex 140 elér 8 TFLOPS félnyes pontossággal, és 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.

Az órajelek egy alapból futnak 1.6 GHz egy gyorsításra 1.95 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

L2 gyorsítótár támogatásával 4 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 1,024 árnyékoló egységek, 64 Textúrázási egységek, és 32 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

75 W

Data Center GPU Flex 140 rated at 75 W, és a javasolt rendszer tápegység 250 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 single-slot, mérés 170 mm hosszú, és szükséges 1x 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 4.0 x8. 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 Data Center GPU Flex 140

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

01 Qwen3.5-9B 9B · Q3_K_M · Feb 2026 15.4 tok/s
02 NVIDIA-Nemotron-Nano-9B-v2 9B · Q3_K_M · Aug 2025 15.4 tok/s
03 Ovis2.5 9B 9B · Q3_K_M · Aug 2025 15.4 tok/s
04 GLM-4.1V-Thinking 9B · Q3_K_M · Aug 2025 15.4 tok/s
05 MamayLM 9B · Q3_K_M · Apr 2025 15.4 tok/s
06 GLM-4-9B-0414 9B · Q3_K_M · Apr 2025 15.4 tok/s
07 SimPO 9B · Q3_K_M · Nov 2024 15.4 tok/s
08 GLM-4V-9B 9B · Q3_K_M · Jun 2024 15.4 tok/s
09 Persimmon-8B 9.3B · Q3_K_M · Sep 2023 14.9 tok/s
10 Qwen-VL 9.6B · Q3_K_M · Aug 2023 14.4 tok/s

A leggyorsabb AI modellek egy Data Center GPU Flex 140

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 51.2 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 51.2 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 51.2 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 51.2 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 47.4 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 46.6 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 46.6 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 46.6 tok/s

Lépésről lépésre

Hogyan lehet kiszámolni a tokenek másodpercenként egy Data Center GPU Flex 140

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

Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

Húzza el a csúszkát a tervezett beszélgetési hosszhoz, amin dolgozni kíván. A cache a beszélgetéssel nő, és egy kártyával szemben tart. 6 GB ez gyakran a különbség egy modell illeszkedése és nem illeszkedése között.
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

Nézd meg a tartományt, ne csak a számot.

Minden sebesség egy becslés egyetlen beszélgetésre, alatta egy tartományral. A felső határ itt 51.2 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.

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. 6 GB.
06

Nézd meg ugyanazt a modellt a másik oldalról

Minden modell oldala megismétli ezt a számítást az egész katalógusra. Érdemes megnézni, mielőtt döntesz: megmutatja, mi fut még ugyanazzal a modellel, mellette Data Center GPU Flex 140.

Válaszok

Data Center GPU Flex 140 — gyakori kérdések

Data Center GPU Flex 140— Futtathat egy modellt, ami nem fér el a VRAM-jában?

Csak részben. Rétegek a kártyán túl. 6 GB ül a rendszer memóriájában és a sebesség egy részén fut, így a főleg leterhelt modell ritkán ér meg használni. Minden itt szereplő számadat azt feltételezi, hogy teljesen a kártyán van.

Két Data Center GPU Flex 140 kártyák kétszer olyan gyorsak lesznek?

A kapacitás hozzáadódik, a throughput nem. Kettő együtt ad neked 12 GB egy GPU-val dolgozni, nem pedig kétszer annyi TOKEN másodpercenként — minden szám egyetlen KÁRTYÁRA vonatkozik.

Data Center GPU Flex 140— Melyik AI modellt tud futtatni?

266 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.

Data Center GPU Flex 140— Melyik a legnagyobb AI modell, amit futtatni tud?

A katalógusunkban a legnagyobb modell, ami belefér, az Qwen-VL at 9.6B paraméterek, tömörített Q3_K_M. Körülbelül generál. 14.4 token másodpercenként és körülbelül 5.4 A kártya memória GB-ja.

Data Center GPU Flex 140— mennyi token másodpercenként?

A modell függvénye. A leggyorsabb modell, amit itt követünk, az Gemma 3 QAT 1B körülbelül 51.2 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.

Data Center GPU Flex 140— futtatható-e 7B modellek?

Igen. Például fut. MetaMath 7B (Mistral finetune) at IQ4_XS, használva körülbelül 5.1 GB memória és körülbelül generálás 18.0 tokenek másodpercenként

Data Center GPU Flex 140— mennyi VRAM-ja van?

Ez a KÁRTYA rendelkezik 6 GB -nak GDDR6. Körülbelül egy tizedet tartanak fenn az inference futási idő és a meghajtó, így körülbelül 5.4 GB elérhető egy AI modell számára és annak beszélgetéséhez.

Data Center GPU Flex 140— mi a memória-sávszélessége?

A memóriával rendelkező sávszélesség eléri 186 GB/s egy buszon keresztül a 96 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.

Data Center GPU Flex 140— Milyen típusú MEMORY-t használ?

Használja GDDR6 órára állítva 1.94 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.

Data Center GPU Flex 140— ki készíti?

Ez egy terméke a Intel, a chip általi gyártásával TSMC, egy folyamatban 6 .

Data Center GPU Flex 140— Mikor adták ki?

Megjelent a August 2022.

Data Center GPU Flex 140— mennyi áramot fogyaszt?

A minősített kártya teljesítménye 75 W, és a javasolt rendszer tápegység 250 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.

Data Center GPU Flex 140— mennyi cache-e van?

és az L2 gyorsítótár 4 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.

Data Center GPU Flex 140— mennyi a TFLOPS-ja?

Ez értékelve van 8 TFLOPS fél precízióban és 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.

Data Center GPU Flex 140— Támogatja a CUDA-t?

Nem. A CUDA kizárólag NVIDIA, és ez egy kártya a Intel. A nyelvi modellek futtatása ROCm, Vulkan vagy Metal segítségével történik a szoftvertől függően, amelyek éretlenebbek a CUDA úthoz képest — becsléseink büntetést alkalmaznak emiatt.

Data Center GPU Flex 140— Milyen busz interfészt használ?

Használja PCIe 4.0 x8. 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.

Data Center GPU Flex 140— 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 266 a modellek számára, amelyeket nyomon követünk. Hogy ez elég-e, az teljesen attól függ, hogy melyik modellt szeretnéd - a fenti táblázat közvetlenül erre válaszol.

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