Calcola il TPS del L40 sui modelli locali di AI
Ogni modello nel nostro catalogo è valutato rispetto a questa scheda in base alla lunghezza del contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria di questa scheda e dalle dimensioni di ciascun modello una volta compresso..
Calcolato per questa scheda
679 modelli nel nostro catalogo tutto sommato
Il modello più grande che supporta
Qwen3-Coder-Next
80B · IQ4_XS · 62.4 tok/s
Modello più veloce
Gemma 3 QAT 1B
366 tok/s · 1B
Quali modelli di IA possono essere eseguiti su un L40?
Imposta gli input, leggi la risposta
Maggiore contesto significa più memoria per la cache della conversazione. La velocità è per una conversazione fresca e non cambia con questa impostazione..
Nasconde modelli che si adatterebbero solo comprimendosi al di sotto di questo punto.
576 i modelli corrispondono
Calcolo| Quantizzazione | Adatto | ||||||
|---|---|---|---|---|---|---|---|
|
366
tok/s
311–439 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k token | Q8_0 | Comodo |
|
366
tok/s
311–439 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k token | Q8_0 | Comodo |
|
366
tok/s
220–585 · bassa fiducia |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k token ? | Q8_0 | Comodo |
|
366
tok/s
220–585 · bassa fiducia |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k token ? | Q8_0 | Comodo |
|
366
tok/s
220–585 · bassa fiducia |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k token ? | Q8_0 | Comodo |
|
366
tok/s
220–585 · bassa fiducia |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k token ? | Q8_0 | Comodo |
|
339
tok/s
203–542 · bassa fiducia |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k token ? | Q8_0 | Comodo |
|
333
tok/s
200–532 · bassa fiducia |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k token ? | Q8_0 | Comodo |
|
333
tok/s
200–532 · bassa fiducia |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k token ? | Q8_0 | Comodo |
|
333
tok/s
200–532 · bassa fiducia |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k token ? | Q8_0 | Comodo |
|
333
tok/s
200–532 · bassa fiducia |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k token ? | Q8_0 | Comodo |
|
305
tok/s
183–488 · bassa fiducia |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k token ? | Q8_0 | Comodo |
|
305
tok/s
183–488 · bassa fiducia |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k token ? | Q8_0 | Comodo |
|
305
tok/s
183–488 · bassa fiducia |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k token ? | Q8_0 | Comodo |
|
305
tok/s
183–488 · bassa fiducia |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k token ? | Q8_0 | Comodo |
|
298
tok/s
253–357 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k token | Q8_0 | Comodo |
|
293
tok/s
176–469 · bassa fiducia |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
|
281
tok/s
169–450 · bassa fiducia |
Phi-1 ≈ | 1.3B | Oct 2023 | 2.1 GB | 131k token ? | Q8_0 | Comodo |
Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..
In registrazione
L40 specifiche complete
Tutto ciò che è registrato per questa scheda, ordinato in base a quanto influisce sul funzionamento di un modello di lingua piuttosto che in base a come un documento tecnico lo elencherebbe. La memoria viene prima perché determina l'esito; il resto è contesto..
Memoria
Le due specifiche che decidono cosa può eseguire questa scheda e con quale velocità. La capacità stabilisce quali modelli si adattano; la larghezza di banda stabilisce quanti token al secondo producono una volta che lo fanno.
- Dimensione della memoria
- 48 GB
- Larghezza di banda della memoria
- 864 GB/s
- Tipo di memoria
- GDDR6
- Larghezza del bus di memoria
- 384 bit
- Memory clock
- 2.25 GHz
Il chip
Quale processore è sulla scheda e come è stato fabbricato. Una dimensione del processo più piccola significa generalmente più prestazioni per la stessa potenza.
- Processore grafico
- AD102
- Architettura
- Ada Lovelace
- Generazione
- Server Ada(Lxx)
- Fonderia
- TSMC
- Dimensione del processo
- 5 nm
- Transistor
- 76.3 billion
- Densità dei transistor
- 125,300 K/mm²
- Dimensione
- 609 mm²
- Rilasciato
- 13 October 2022
Velocità di clock
Quanto velocemente funziona il processore. Vale molto meno qui rispetto a un benchmark di gioco: generare testo è limitato dalla larghezza di banda della memoria, quindi una maggiore frequenza di clock muove a malapena il risultato.
- Frequenza base
- 735 MHz
- Velocità di impulso
- 2.49 GHz
Unità di elaborazione
Cosa contiene il chip. Questi influenzano le prestazioni grafiche e sono importanti principalmente per l'elaborazione di un lungo prompt piuttosto che per la produzione della risposta.
- Unità di ombreggiatura
- 18,176
- Unità di mappatura delle texture
- 568
- Unità di output di rendering
- 192
- Streaming multiprocessors
- 142
- Nuclei Tensor
- 568
- Nuclei di ray tracing
- 142
- Cache L1
- 128 KB
- Cache L2
- 96 MB
Performance teorica
Tassi aritmetici di picco pubblicati per la scheda. Questi sono soffitti che nessun carico di lavoro reale raggiunge, e generare testo raggiunge una piccola frazione di essi perché è limitato dalla memoria piuttosto che dall'aritmetica.
- Mezza precisione (FP16)
- 90.5 TFLOPS
- Precisione singola (FP32)
- 90.5 TFLOPS
- Doppia precisione (FP64)
- 1.4 TFLOPS
- Tasso di pixel
- 478 GPixel/s
- Tasso di texture
- 1,414 GTexel/s
La scheda
Cosa serve per installare e alimentare fisicamente la scheda — i vincoli pratici che decidono se si adatta alla macchina che possiedi già.
- Consumo di potenza (TDP)
- 300 W
- Alimentatore consigliato
- 700 W
- Connettori di alimentazione
- 1x 16-pin
- Interfaccia bus
- PCIe 4.0 x16
- Larghezza dello slot
- Dual-slot
- Dimensioni
- 267 mm
- Visualizza output
- 4x DisplayPort 1.4a
Supporto software
Quali interfacce grafiche e di calcolo supporta la scheda. La capacità di calcolo CUDA è quella che influisce sull'inferenza: al di sotto di 7.0 non ci sono core tensoriali, e il software di inferenza moderno ricade su percorsi di codice più lenti.
- capacitá di calcolo CUDA
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Modello shader
- 6.8
Elenco
Dove comprare un L40
Nessun venditore sta attualmente elencando questa scheda. Gli elenchi provengono da venditori che li pubblicano qui direttamente. — sfogliare il direttorio dei fornitori per vedere chi sta vendendo cosa.
Cosa significano i numeri
Memoria: la specifica che decide tutto
Memoria
48 GB
Larghezza di banda
864 GB/s
Modello più grande
Qwen3-Coder-Next
L40 trasporta 48 GB di GDDR6. Questo copre i modelli di dimensioni medie che la maggior parte delle persone esegue effettivamente. Una volta che il runtime e il driver riservano il loro spazio di lavoro, rimane all'incirca questa quantità: 43.2 GB.
La larghezza di banda della VRAM raggiunge 864 GB/s attraverso un bus di 384 bit. Generare un token significa leggere ogni peso una volta, quindi quella cifra stabilisce il ritmo più di qualsiasi altro numero qui, e a questo livello il testo arriva più velocemente di quanto la maggior parte delle persone legga.
La figura è la larghezza del bus moltiplicata per un clock di memoria di 2.25 GHz. Allargare il bus e aumentare il clock sono le due leve che un produttore ha, motivo per cui una card con core non eccezionali può comunque generare rapidamente.
La cosa più grande che contiene è Qwen3-Coder-Next, 80B, compresso a IQ4_XS e generando attorno 62.4 token al secondo
Il chip e come è stato costruito
L40 è costruito sul PROCESSORE GRAFICO AD102, utilizzando l'architettura Ada Lovelace da NVIDIA, come parte della generazione Server Ada(Lxx).
Il chip è prodotto da TSMC, su un processo di 5 nm, con un dado di misura 609 mm², tenere 76.3 billion Transistor. Un processo più piccolo significa generalmente più prestazioni per la stessa potenza, anche se per i modelli di linguaggio è molto meno importante rispetto al sottosistema di memoria.
È stato rilasciato in October 2022, circa 3.7996560360374 anni fa. Il supporto software per l'inferenza tende a seguire l'hardware di un anno o due, quindi una CARD di questa età ha generalmente percorsi di codice maturi e ben ottimizzati disponibili per essa.
Calcola il throughput, e perché conta meno di quanto sembri
FP16
90.5 TFLOPS
FP64
1.4 TFLOPS
Nuclei Tensor
568
Sulla carta L40 raggiunge 90.5 TFLOPS a metà precisione, e 90.5 TFLOPS a precision singola. Queste sono cifre di picco che nessun carico di lavoro reale sostiene, e generare testo raggiunge solo una piccola frazione di esse - la decodifica è limitata dalla memoria piuttosto che dall'aritmetica, motivo per cui una scheda può sembrare enormemente potente qui e ancora produrre token a un tasso ordinario.
Il throughput in doppia precisione raggiunge 1.4 TFLOPS. Non ha alcun impatto sull'esecuzione di un modello linguistico — nessun runtime di inferenza lo utilizza — ma separa le parti del datacenter da quelle dei consumatori, poiché queste ultime lo limitano deliberatamente.
La scheda porta 568 Nuclei Tensor attraverso 142 Streaming multiprocessors. Questi accelerano l'aritmetica delle matrici al centro di un transformer, e sono ciò che rende l'elaborazione dei prompt — leggere un lungo documento prima di rispondere — drammaticamente più veloce di quanto non sarebbe altrimenti.
Le clock partono da una base di 735 MHz a un aumento di 2.49 GHz. Vale molto meno qui che in un benchmark di gioco: aumentare le velocità di clock migliora l'aritmetica, e l'aritmetica non è ciò su cui generazione sta aspettando.
Cache e unità di elaborazione
L40 ha una cache L1 di 128 KB, supportato da una cache L2 di 96 MB. La Cache assorbe una parte del traffico di memoria che altrimenti colpirebbe il bus principale, che è l'unico posto in questa pagina dove un numero diverso dalla larghezza di banda influisce silenziosamente sulla velocità di generazione — un grande L2 consente a una maggiore parte del set di lavoro di rimanere vicino ai core.
Ci sono 18,176 Unità di ombreggiatura, 568 Unità di mappatura delle texture, e 192 Unità di output di rendering. Questi gestiscono i carichi di lavoro grafici e contribuiscono all'elaborazione dei prompt, ma rimangono inattivi per gran parte del tempo che un modello impiega a generare una risposta.
Potenza, dimensione e installazione
Consumo energetico
300 W
L40 è valutato a 300 W, e l'alimentatore di sistema suggerito è 700 W. Eseguire un modello di linguaggio tiene occupata una scheda in esplosioni piuttosto che continuamente — attinge intensamente durante la generazione e rimane inattivo tra le richieste — quindi il prelievo sostenuto durante una giornata lavorativa è solitamente ben al di sotto del valore dichiarato.
La scheda occupa dual-slot, misurare 267 mm lungo, e ha bisogno 1x 16-pin. Vale la pena controllare contro il case e l'alimentatore già presenti nella macchina, poiché le schede più grandi necessitano di entrambi notevolmente di più rispetto a quanto fornisca un desktop tipico.
Si connette a PCIe 4.0 x16. L'interfaccia governa quanto velocemente un modello è caricato dal disco nella scheda, non quanto velocemente gira una volta lì, quindi un collegamento più ristretto costa qualche secondo all'avvio e nulla dopo.
Gli estremi
I più grandi modelli AI che girano su un L40
I modelli open-weight più grandi che si adattano a questa scheda, dal più recente al più vecchio. Ognuno è mostrato con la migliore compressione che la scheda può contenere..
I modelli AI più veloci su un L40
Dove questa scheda produce i token più rapidamente. I modelli più piccoli dominano qui, perché generare ogni token significa leggere l'intero modello dalla memoria una volta..
Passo dopo passo
Come calcolare i token per secondo di un L40
Non devi calcolare nulla a mano — il calcolatore gputps.com su questa pagina ha già calcolato per ogni modello che questa scheda può contenere. Leggere la risposta richiede sei passaggi..
-
01
Inizia con il modello, non con la specifica.
La tabella elenca 576 modelli che questa scheda esegue. La ricerca restringe l'elenco per nome o per dimensione.
-
02
Imposta la lunghezza del contesto che utilizzerai effettivamente
Imposta il contesto sulla tua vera lunghezza di lavoro. Brevi domande costano quasi nulla, ma un lungo documento può consumare una grande parte di 48 GB spesso questa è la differenza tra un modello che si adatta e uno che non si adatta.
-
03
Imposta una qualità minima se hai bisogno di una.
Per impostazione predefinita, la tabella seleziona la copia meno compressa che si adatta. Impostare un limite rimuove i modelli che qualificano solo tramite una forte compressione.
-
04
Leggi la velocità e la gamma
Ogni velocità è una stima per una singola conversazione, con un intervallo sottostante. L'estremità superiore qui è 366 tok/s su Gemma 3 QAT 1B. La stessa card e modello variano dal trenta al cinquanta per cento tra i tempi di esecuzione dell'inferenza.
-
05
Leggi il verdetto di aderenza finale
Un adattamento stretto funziona ma non lascia spazio per aumentare il contesto in seguito; confortevole ha margine. La colonna della memoria mostra ciò di cui ha bisogno ogni modello rispetto a un disponibile. 48 GB.
-
06
Controlla incrociato con altro hardware
Ogni nome di modello nella tabella è collegato alla propria pagina, che esegue lo stesso calcolo su ogni card che possediamo. È lì che puoi vedere se l'acquisto giusto è L40.
Risposte
L40 — domande comuni
L40— quanta cache ha?
La cache L1 è 128 KB, e la cache L2 è 96 MB. La Cache assorbe parte del traffico di memoria che altrimenti raggiungerebbe il bus principale, quindi una L2 più grande offre un modesto incremento alla velocità di generazione oltre a quanto previsto solo dalla larghezza di banda.
L40— quali sono i suoi TFLOPS?
È valutato a 90.5 TFLOPS a metà precisione e 90.5 TFLOPS a precisione singola. Questi sono tetti aritmetici di picco piuttosto che tassi raggiungibili, e la generazione di testo raggiunge solo una piccola frazione di essi perché è limitata dalla larghezza di banda della memoria.
L40— quanti Tensor Cores ha?
Ha 568 Nuclei Tensor attraverso 142 Streaming multiprocessors. Accelerano l'aritmetica matriciale di cui è costruito un trasformatore, il che accelera principalmente l'elaborazione di un lungo prompt piuttosto che la produzione della risposta.
L40— supporta CUDA?
Sì. Riporta la capacità di calcolo CUDA. 8.9. La capacità 7.0 e superiore ha core tensor, che il software di inferenza moderno utilizza; al di sotto di ciò, si fa riferimento a percorsi di codice più lenti per i modelli quantizzati.
L40— che interfaccia bus utilizza?
Utilizza PCIe 4.0 x16. Questo determina quanto velocemente un modello viene caricato sulla GPU anziché quanto velocemente viene eseguito una volta caricato, quindi costa alcuni secondi all'avvio e nulla durante la generazione.
L40— è buono per eseguire modelli AI locali?
La sua VRAM è abbastanza grande per modelli che la maggior parte dell'hardware desktop non può toccare e la sua larghezza di banda è abbastanza alta per generare testo più veloce della lettura della maggior parte delle persone. In totale, esegue 576 dei modelli che monitoriamo. Se ciò sia sufficiente dipende interamente dal modello che desideri — la tabella sopra risponde a questo direttamente.
L40— può eseguire un modello che non sta nella sua VRAM?
Può essere suddiviso, con il sovraccarico mantenuto nella memoria di sistema oltre la card. 48 GB è possibile e di solito è un falso risparmio: la parte di memoria del sistema è abbastanza lenta da dominare il risultato.
Sarebbero due L40 le schede possono essere due volte più veloci?
Abbinare li acquista spazio di manovra piuttosto che velocità: 96 GB lavorare con piuttosto che il doppio dei token al secondo — ogni cifra qui è per una singola card.
L40— quali modelli AI può eseguire?
576 del 679 i modelli di linguaggio OPEN WEIGHT che monitoriamo si adattano a questa CARD e possono essere eseguiti localmente. La tabella su questa pagina elenca ciascuno, con la MEMORIA di cui ha bisogno, la quantizzazione a cui viene eseguito e una velocità di generazione stimata.
L40— qual è il modello AI più grande che può eseguire?
Il modello più grande nel nostro catalogo che si adatta è Qwen3-Coder-Next nella 80B parametri, compressi a IQ4_XS. Genera all'incirca 62.4 token al secondo e ha bisogno di 38.8 GB della memoria della scheda
L40— quanti token al secondo produce?
Dipende dal modello. Il modello più veloce che monitoriamo qui è Gemma 3 QAT 1B circa 366 token al secondo, mentre modelli più grandi funzionano proporzionalmente più lentamente perché ogni token richiede di leggere l'intero modello dalla memoria una volta. Le velocità sono stime per una singola conversazione alla volta.
L40— può eseguirlo 7B modelli?
Sì. Ad esempio, funziona Multi-Token Prediction 7B nella Q8_0, utilizzando circa 7.9 GB di memoria e generando circa 54.6 token al secondo
L40— può eseguirlo 13B modelli?
Sì. Ad esempio, funziona DeepSeekMoE-16B nella Q8_0, utilizzando circa 17.5 GB di memoria e generando circa 127 token al secondo
L40— può eseguirlo 30B modelli?
Sì. Ad esempio, funziona ERNIE-4.5-VL-28B-A3B nella Q8_0, utilizzando circa 29.2 GB di memoria e generando circa 72.6 token al secondo
L40— può eseguirlo 70B modelli?
Sì. Ad esempio, funziona Qwen3-Coder-Next nella IQ4_XS, utilizzando circa 38.8 GB di memoria e generando circa 62.4 token al secondo
L40— quanta memoria ha?
Questa scheda ha 48 GB di GDDR6. Circa un decimo è riservato dal runtime di inferenza e dal driver, lasciando circa 43.2 GB disponibile per un modello e la sua conversazione.
L40— qual è la sua larghezza di banda della memoria?
La larghezza di banda della VRAM raggiunge 864 GB/s attraverso un bus di 384 bit. Questo è il miglior predittore di quanto velocemente genera testo, perché produrre ogni token significa leggere l'intero modello dalla memoria una volta.
L40— che tipo di MEMORY utilizza?
Utilizza GDDR6 a frequenza di 2.25 GHz. I tipi di HBM si trovano sugli acceleratori da datacenter e portano molto più larghezza di banda rispetto al GDDR utilizzato sulle schede desktop, motivo per cui generano token notevolmente più velocemente alla stessa capacità.
L40— Chi lo fa?
Questo è un prodotto di NVIDIA, con il chip prodotto da TSMC, su un processo di 5 nm.
L40— quando è stato rilasciato?
È stato rilasciato in October 2022.
L40— quanta potenza utilizza?
Potenza nominale della scheda è 300 W, e l'alimentatore di sistema suggerito è 700 W. Generare testo richiede molto in picchi e rimane inattivo tra le richieste, quindi il consumo medio durante una sessione di lavoro è normalmente ben al di sotto del valore nominale.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dall'hardware. Se già sai quale modello vuoi e hai bisogno di sapere cosa serve per eseguirlo., inizia dal modello invece.