Bereken de TPS van de L4 op lokale AI-modellen
Elk model in onze catalogus beoordeeld op deze kaart bij de contextlengte en minimumkwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van deze kaart en de grootte van elk model eenmaal gecomprimeerd..
Gerekend voor deze kaart
679 modellen in onze catalogus samen
Grootste model dat het vasthoudt
Mixtral 8x7B
46.7B · Q3_K_M · 26.6 tok/s
Snelste model
Gemma 3 QAT 1B
127 tok/s · 1B
Welke AI-modellen kunnen draaien op een L4?
Stel de invoer in, lees het antwoord
Meer context betekent meer VRAM voor de gesprekken cache. Snelheid is voor een verse conversatie en verandert niet met deze instelling..
Verbergt modellen die alleen passen door onder dit punt te worden gecomprimeerd.
502 modellen komen overeen
Berekenen| Kwantificatie | Past | ||||||
|---|---|---|---|---|---|---|---|
|
127
tok/s
108–153 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokens | Q8_0 | Comfortabel |
|
127
tok/s
108–153 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokens | Q8_0 | Comfortabel |
|
127
tok/s
76–203 · lage vertrouwen |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
127
tok/s
76–203 · lage vertrouwen |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
127
tok/s
76–203 · lage vertrouwen |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
127
tok/s
76–203 · lage vertrouwen |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
118
tok/s
71–188 · lage vertrouwen |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
116
tok/s
69–185 · lage vertrouwen |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
116
tok/s
69–185 · lage vertrouwen |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
116
tok/s
69–185 · lage vertrouwen |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
116
tok/s
69–185 · lage vertrouwen |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
106
tok/s
64–169 · lage vertrouwen |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
106
tok/s
64–169 · lage vertrouwen |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
106
tok/s
64–169 · lage vertrouwen |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
106
tok/s
64–169 · lage vertrouwen |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
103
tok/s
88–124 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokens | Q8_0 | Comfortabel |
|
102
tok/s
61–163 · lage vertrouwen |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
|
97.8
tok/s
59–156 · lage vertrouwen |
Phi-1 ≈ | 1.3B | Oct 2023 | 2.1 GB | 131k tokens ? | Q8_0 | Comfortabel |
Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.
Op record
L4 Volledige specificatie
Alles op file voor deze kaart, geordend op basis van hoezeer het van invloed is op het draaien van een taalmodel in plaats van op hoe een specificatielijst het zou opsommen. MEMORY komt eerst omdat het de uitkomst bepaalt; de rest is CONTEXT..
Geheugen
De twee specificaties die bepalen wat deze card kan draaien en hoe snel. Capaciteit bepaalt welke models passen; bandbreedte bepaalt hoeveel tokens per seconde ze produceren zodra ze dat doen.
- Geheugengrootte
- 24 GB
- Geheugenbandbreedte
- 300 GB/s
- Geheugen type
- GDDR6
- Geheugensnelheid bus breedte
- 192 bit
- Geheugenklok
- 1.56 GHz
De chip
Welke processor zit op het bord en hoe is deze vervaardigd. Een kleinere procesgrootte betekent over het algemeen meer prestaties voor hetzelfde vermogen.
- Grafische processor
- AD104
- Architectuur
- Ada Lovelace
- Generatie
- Server Ada(Lxx)
- Gieterij
- TSMC
- Procesgrootte
- 5 nm
- Transistoren
- 35.8 billion
- Transistor dichtheid
- 121,800 K/mm²
- Die grootte
- 294 mm²
- Uitgebracht
- 21 March 2023
Kloksnelheden
Hoe snel de processor draait. Veel minder waard hier dan op een gaming benchmark: het genereren van tekst wordt beperkt door de geheugenbandbreedte, dus een hogere klok beweegt het resultaat nauwelijks.
- Basis klok
- 795 MHz
- Boost-klok
- 2.04 GHz
Verwerkingsunits
Wat de chip bevat. Deze drijven de graphicsprestaties en zijn voornamelijk belangrijk voor het verwerken van een lange prompt in plaats van voor het produceren van het antwoord.
- Schaduwunits
- 7,424
- Textuurmappingeenheden
- 240
- Render output units
- 80
- Streaming multiprocessors
- 60
- Tensor cores
- 240
- Ray tracing cores
- 60
- L1-cache
- 128 KB
- L2-cache
- 48 MB
Theoretische prestaties
Piek reken tarieven gepubliceerd voor de kaart. Dit zijn plafonds die geen enkele echte werklast bereikt, en het genereren van tekst bereikt een klein percentage daarvan omdat het beperkt wordt door geheugen in plaats van rekenkracht.
- Half precisie (FP16)
- 30.3 TFLOPS
- Enkele precisie (FP32)
- 30.3 TFLOPS
- Dubbele precisie (FP64)
- 473.3 GFLOPS
- Pixel rate
- 163 GPixel/s
- Textuursnelheid
- 490 GTexel/s
De kaart
Wat er nodig is om de kaart fysiek te installeren en van stroom te voorzien — de praktische beperkingen die bepalen of deze past in de machine die je al bezit.
- Stroomverbruik (TDP)
- 72 W
- Voorgestelde voeding
- 250 W
- Stroomconnectoren
- None
- Businterface
- PCIe 4.0 x16
- Sleufbreedte
- Single-slot
- Afmetingen
- 169 mm
Software ondersteuning
Welke grafische en rekinterfaces ondersteunt de kaart. CUDA-rekenmogelijkheden is degene die van belang is voor inferentie: onder de 7.0 zijn er geen tensor cores, en moderne inferentiesoftware valt terug op langzamere codepaden.
- CUDA rekenmogelijkheden
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Shader-model
- 6.8
Lijsten
Waar te koop een L4
Geen enkele verkoper heeft deze kaart momenteel in de aanbieding. Lijsten komen van verkopers die deze hier direct publiceren. — blader door de aanbieder directory om te zien wie wat verkoopt.
Wat de cijfers betekenen
Geheugen: de specificatie die alles bepaalt
Geheugen
24 GB
Bandbreedte
300 GB/s
Grootste model
Mixtral 8x7B
L4 draagt 24 GB van GDDR6. Dat dekt de middelgrote modellen die de meeste mensen daadwerkelijk draaien. Zodra de runtime en de driver hun werkomgeving reserveren, blijft er ongeveer dit over: 21.6 GB.
Geheugenbandbreedte bereikt 300 GB/s over een bus van 192 bits. Dat is het nummer dat de generatie snelheid beheerst — de rekenkracht per gelezen byte is klein genoeg dat de bus, niet de cores, is waar alles op wacht.
Bandbreedte is klok vermenigvuldigd met busbreedte, en deze kaart klokt zijn geheugen op 1.56 GHz. Het verbreden van de bus en het verhogen van de kloksnelheid zijn de twee hefboommechanismen die een fabrikant heeft, daarom kan een kaart met onopvallende cores toch snel genereren.
De grootste zaak die het bevat is Mixtral 8x7B, 46.7B, gecomprimeerd tot Q3_K_M en genereren rond 26.6 tokens per seconde
De chip en hoe deze is gebouwd
L4 is gebouwd op de graphics processor AD104, het gebruik van de architectuur Ada Lovelace van NVIDIA, als onderdeel van de generatie Server Ada(Lxx).
De chip is vervaardigd door TSMC, een proces van 5 nm, met een dobbelsteen die meet 294 mm², houden 35.8 billion Transistoren. Een kleiner proces betekent over het algemeen meer prestaties voor dezelfde kracht, hoewel het voor taalmodele veel minder belangrijk is dan de geheugen-subsystemen.
Het werd uitgebracht in March 2023, ruwweg 3.3640490929605 jaren geleden. Inferredersoftwareondersteuning volgt doorgaans de hardware met een jaar of twee, dus een kaart van deze leeftijd heeft over het algemeen volwassen, goed geoptimaliseerde codepaden beschikbaar.
Rekenkracht, en waarom het minder belangrijk is dan het lijkt
FP16
30.3 TFLOPS
FP64
473.3 GFLOPS
Tensor cores
240
Op papier L4 bereikt 30.3 TFLOPS op halve precisie, en 30.3 TFLOPS bij enkele precisie. Dit zijn piekfiguren die geen echte werkbelasting ondersteunen, en het genereren van tekst bereikt slechts een klein fractie van hen - decoderen wordt beperkt door geheugen in plaats van door rekenkracht, wat de reden is dat een kaart hier enorm krachtig kan lijken en toch tokens produceert tegen een gewone snelheid.
Dubbelprecisie doorvoersnelheid bereikt 473.3 GFLOPS. Het heeft geen invloed op het draaien van een taalmodel — geen inferentie-runtime gebruikt het — maar het scheidt datacentrumonderdelen van consumentenonderdelen, aangezien laatstgenoemden het opzettelijk beperken.
De kaart draagt 240 Tensor cores over 60 Streaming multiprocessors. Deze versnellen de matrixarithmeticiteit die ten grondslag ligt aan een transformer, en zij zijn wat het verwerken van prompts — het lezen van een lang document voordat er wordt geantwoord — dramatisch sneller maakt dan anders het geval zou zijn.
Klokken draaien vanaf een basis van 795 MHz naar een boost van 2.04 GHz. Hier veel minder waard dan op een gaming benchmark: het verhogen van de kloksnelheden versnelt de rekensom, en de rekensom is niet waar de generatie op wacht.
Cache en verwerkingsunits
L4 heeft een L1 cache van 128 KB, ondersteund door een L2-cache van 48 MB. Cache absorbeert een deel van het geheugenverkeer dat anders de hoofdbus zou raken, wat de enige plek op deze pagina is waar een ander getal dan bandbreedte stilletjes de generatie snelheid beïnvloedt — een grote L2 laat meer van de werkset dicht bij de kernen blijven.
Er zijn 7,424 Schaduwunits, 240 Textuurmappingeenheden, en 80 Render output units. Deze sturen grafische workloads aan en dragen bij aan promptverwerking, maar ze zitten een groot deel van de tijd dat een model bezig is met het genereren van een antwoord stil.
Kracht, grootte en installatie
Stroomverbruik
72 W
L4 is beoordeeld op 72 W, en de aanbevolen systeemvoeding is 250 W. Het draaien van een taalmodel houdt een GPU-kaart bezig in korte pieken in plaats van continu - het verbruikt veel energie tijdens het genereren en idle tussen aanvragen - dus het sustained draw over een werkdag ligt meestal ver onder de nominale waarde.
Het bord neemt in beslag single-slot, meten 169 mm lang. Het is de moeite waard om te controleren tegen de behuizing en de voeding die al in de machine zit, aangezien de grootste CARDS aanzienlijk meer van beiden nodig hebben dan een typische desktop biedt.
Het verbindt over PCIe 4.0 x16. De interface bepaalt hoe snel een model van de schijf naar de GPU-kaart wordt geladen, niet hoe snel het daar draait, dus een smallere verbinding kost een paar seconden bij de opstart en verder niets.
De extremen
De grootste AI-modellen die draaien op een L4
De grootste open-weight-modellen die op deze kaart passen, nieuwste eerst. Elk wordt weergegeven met de beste compressie die de kaart kan ondersteunen..
De snelste AI-modellen op een L4
Waar deze kaart de tokens het snelst produceert. Kleinere modellen domineren hier, omdat het genereren van elke token betekent dat het hele model eens uit het geheugen moet worden gelezen..
Stap voor stap
Hoe de TPS van een AI model uit te rekenen L4
U hoeft niets met de hand te berekenen — de gputps.com-calculator op deze pagina heeft het al voor elk model dat deze kaart kan bevatten uitgerekend. De antwoorden aflezen kost zes stappen.
-
01
Zoek het model dat je wilt
De tabel somt 502 modellen die deze kaart draait. Zoek verkleint de lijst op naam of op grootte.
-
02
Bepaal hoe lang je gesprekken duren
Stel de context in op uw echte werklengte. Korte vragen kosten bijna niets, maar een lang document kan een groot deel van 24 GB het is vaak wat een groot model over de rand duwt.
-
03
Kies hoe ver je wilt comprimeren
Standaard kiest de tabel de minst-gecomprimeerde kopie die past. Het instellen van een vloer verwijdert modellen die alleen kwalificeren door zware compressie.
-
04
Lees de snelheid en het bereik
Elke snelheid is een schatting voor een enkel gesprek, met een bereik eronder. Het bovenste einde hier is 127 tok/s op Gemma 3 QAT 1B. Dezelfde kaart en model variëren tussen dertig en vijftig procent tussen inferentieruns.
-
05
Controleer de geheugen kolom voordat je commit.
De fit-kolom scheidt modellen die net passen van degenen met ruimte over — het is de moeite waard om dit te controleren voordat je op een daarvan besluit, tegen een beschikbare 24 GB.
-
06
Controleer hetzelfde model van de andere kant
Elke modelpagina herhaalt deze berekening voor de hele catalogus. Zeker de moeite waard om te bekijken voordat je beslist: het toont wat anders hetzelfde model draait, naast L4.
Antwoorden
L4 — veelgestelde vragen
L4— kan het een model draaien dat niet in zijn VRAM past?
Het kan worden gesplitst, met de overflow gehouden in het systeemgeheugen buiten de kaart's 24 GB trekt het hele ding naar beneden, en geen van de cijfers op deze pagina gaat ervan uit.
Zou twee L4 kaarten twee keer zo snel zijn?
Het koppelen ervan koopt ruimte in plaats van snelheid: 48 GB die je in staat stelt om modellen vast te houden die geen van beide alleen zou kunnen vasthouden, maar generatie splitst niet op die manier. Deze cijfers beschrijven één kaart.
L4— Welke AI-modellen kan het draaien?
502 van de 679 open-weight taalmodele die we volgen passen op deze kaart en kunnen lokaal worden uitgevoerd. De tabel op deze pagina vermeldt ieder exemplaar, met het geheugen dat het nodig heeft, de kwantisering waarop het draait en een geschatte generatiesnelheid.
L4— wat is het grootste AI-model dat het kan draaien?
Het grootste model in onze catalogus dat past is Mixtral 8x7B bij 46.7B parameters, gecomprimeerd tot Q3_K_M. Het genereert ruwweg 26.6 tokens per second en heeft ongeveer 21.0 GB van het geheugen van de kaart.
L4— hoeveel tokens per seconde produceert het?
Het hangt af van het model. Het snelste model dat we hier volgen is Gemma 3 QAT 1B ongeveer 127 tokens per seconde, terwijl grotere modellen proportioneel langzamer draaien omdat elk token het hele model uit het geheugen moet lezen. Snelheden zijn schattingen voor één gesprek tegelijk.
L4— kan het draaien 7B modellen?
Ja. Bijvoorbeeld het draait Multi-Token Prediction 7B bij Q8_0, ongeveer 7.9 GB geheugen en genereert ongeveer 19.0 tokens per seconde
L4— kan het draaien 13B modellen?
Ja. Bijvoorbeeld het draait DeepSeekMoE-16B bij Q8_0, ongeveer 17.5 GB geheugen en genereert ongeveer 44.1 tokens per seconde
L4— kan het draaien 30B modellen?
Ja. Bijvoorbeeld het draait Nemotron 3-Nano-30B-A3B bij Q4_K_M, ongeveer 18.1 GB geheugen en genereert ongeveer 51.6 tokens per seconde
L4— hoeveel geheugen heeft het?
Deze kaart heeft 24 GB van GDDR6. Ongeveer een tiende is gereserveerd door de inferentieruntime en de driver, wat ongeveer achterlaat 21.6 GB beschikbaar voor een MODEL en zijn CONVERSATIE.
L4— wat is de geheugenbandbreedte?
Geheugenbandbreedte bereikt 300 GB/s over een bus van 192 bits. Dit is de enige beste voorspeller van hoe snel het tekst genereert, omdat het produceren van elk token betekent dat het het hele model eenmaal uit het geheugen leest.
L4— welk type geheugen gebruikt het?
Het maakt gebruik van GDDR6 geklokt op 1.56 GHz. HBM-types worden aangetroffen op datacenter-accelerators en hebben veel meer bandbreedte dan de GDDR die op desktopkaarten wordt gebruikt, wat verklaart waarom ze tokens aanzienlijk sneller genereren bij dezelfde capaciteit.
L4— wie maakt het?
Dit is een product van NVIDIA, met de chip geproduceerd door TSMC, een proces van 5 nm.
L4— wanneer is het uitgebracht?
Het werd uitgebracht in March 2023.
L4— hoeveel vermogen verbruikt het?
Beoordelde bordkracht is 72 W, en de aanbevolen systeemvoeding is 250 W. Het genereren van tekst verbruikt veel in bursts en idle tussen aanvragen, dus het gemiddelde verbruik over een werk sessie ligt normaal gesproken goed onder het opgegeven cijfer.
L4— hoeveel cache heeft het?
De L1-cache is 128 KB, en de L2-cache is 48 MB. Cache absorbeert een deel van het geheugenverkeer dat anders de hoofdbus zou bereiken, dus een grotere L2 geeft een bescheiden verhoging van de generatiesnelheid boven wat alleen de bandbreedte voorspelt.
L4— wat zijn zijn TFLOPS?
Het is beoordeeld op 30.3 TFLOPS bij halve precisie en 30.3 TFLOPS bij enkele precisie. Dit zijn piek-arithmetische plafonds in plaats van haalbare snelheden, en tekstgeneratie bereikt slechts een klein deel ervan omdat het beperkt is door geheugenbandbreedte.
L4— hoeveel tensor cores heeft het?
Het heeft 240 Tensor cores over 60 Streaming multiprocessors. Ze versnellen de matrixarithmetic waaruit een transformer is opgebouwd, wat voornamelijk de verwerking van een lange prompt versnelt in plaats van het produceren van de reactie.
L4— ondersteunt het CUDA?
Ja. Het rapporteert CUDA rekencapaciteit 8.9. Capaciteit 7.0 en hoger heeft tensorcores, die moderne inferentiesoftware gebruikt; daaronder valt het terug op langzamere codepaden voor gekwantiseerde modellen.
L4— Welke businterface gebruikt het?
Het maakt gebruik van PCIe 4.0 x16. Dit regelt hoe snel een model op de kaart wordt geladen in plaats van hoe snel het draait zodra het is geladen, zodat het een paar seconden kost bij het opstarten en niets tijdens de generatie.
L4— is het goed voor het draaien van lokale AI-modellen?
Zijn geheugen dekt comfortabel de middelgrote modellen die de meeste mensen lokaal draaien, hoewel zijn bandbreedte betekent dat generatie traag aanvoelt op grotere modellen. In totaal draait het 502 van de modellen die we volgen. Of dat voldoende is, hangt volledig af van welk model je wilt — de tabel hierboven beantwoordt dat direct.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met de hardware. Als je al weet welk model je wilt en je moet weten wat het kost om het te draaien, Begin van het MODEL in plaats van het MODEL..