Nemotron 3-Nano-30B-A3B kalkulator TPS

Otwórz wagi NVIDIA 31.6B parametry December 2025

Każda karta poniżej jest oceniana w stosunku do tego modelu przy wybranej długości kontekstu i minimalnej jakości. Prędkość jest oszacowaniem dla pojedynczego żądania, obliczonym na podstawie przepustowości pamięci karty i rozmiaru modelu po skompresowaniu..

Obliczone dla tego modelu

241 karty, które mogą go uruchomić

818 Karty, które posiadamy specyfikacje dla

Najmniejsza karta, która pasuje

Xeon Phi 7120P

16 GB · Q3_K_M · 46.0 tok/s

Najszybsza karta

B200

596 tok/s · 180 GB

Które GPU mogą uruchomić Nemotron 3-Nano-30B-A3B?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Dłuższa rozmowa wymaga więcej MEMORY, co może spowodować, że ten model nie zmieści się na mniejszych CARD..

Minimalna jakość

Ukrywa karty, które zmieściłyby się w modelu tylko przez skompresowanie go poniżej tego punktu..

Szukaj kart

Pamięć karty

Pokaż również karty, które nie mogą tego uruchomić.

241 karty pasują

Obliczanie

					potrzeby	Kwantyzacja	Pasuje
596 tok/s 357–953 · niska pewność	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	32.8 GB	Q8_0	Wygodny
596 tok/s 357–953 · niska pewność	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	32.8 GB	Q8_0	Wygodny
476 tok/s 285–761 · niska pewność	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	32.8 GB	Q8_0	Wygodny
476 tok/s 285–761 · niska pewność	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	32.8 GB	Q8_0	Wygodny
380 tok/s 228–609 · niska pewność	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	32.8 GB	Q8_0	Wygodny
364 tok/s 218–583 · niska pewność	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	32.8 GB	Q8_0	Wygodny
364 tok/s 218–583 · niska pewność	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	32.8 GB	Q8_0	Wygodny
348 tok/s 209–558 · niska pewność	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	32.8 GB	Q8_0	Wygodny
309 tok/s 186–495 · niska pewność	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	32.8 GB	Q8_0	Wygodny
309 tok/s 186–495 · niska pewność	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	32.8 GB	Q8_0	Wygodny
309 tok/s 186–495 · niska pewność	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	32.8 GB	Q8_0	Wygodny
293 tok/s 176–469 · niska pewność	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	32.8 GB	Q8_0	Wygodny
250 tok/s 150–400 · niska pewność	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	32.8 GB	Q8_0	Wygodny
250 tok/s 150–400 · niska pewność	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	32.8 GB	Q8_0	Wygodny
250 tok/s 150–400 · niska pewność	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	32.8 GB	Q8_0	Wygodny
250 tok/s 150–400 · niska pewność	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	32.8 GB	Q8_0	Wygodny
250 tok/s 150–400 · niska pewność	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	32.8 GB	Q8_0	Wygodny
230 tok/s 138–369 · niska pewność	GeForce RTX 5090 D V2 NVIDIA	24 GB	1,340 GB/s	Aug 2025	18.1 GB	Q4_K_M	Wąski
227 tok/s 136–363 · niska pewność	Tesla V100 SXM2 16 GB NVIDIA	16 GB	1,130 GB/s	Nov 2019	14.4 GB	Q3_K_M	Wąski
210 tok/s 126–336 · niska pewność	A30X NVIDIA	24 GB	1,220 GB/s	Apr 2021	18.1 GB	Q4_K_M	Wąski
202 tok/s 121–324 · niska pewność	DRIVE A100 PROD NVIDIA	32 GB	1,870 GB/s	May 2020	25.4 GB	Q6_K	Wąski
202 tok/s 121–324 · niska pewność	GRID A100A NVIDIA	32 GB	1,870 GB/s	May 2020	25.4 GB	Q6_K	Wąski
194 tok/s 116–310 · niska pewność	GeForce RTX 5090 NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.4 GB	Q6_K	Wąski
194 tok/s 116–310 · niska pewność	GeForce RTX 5090 D NVIDIA	32 GB	1,790 GB/s	Jan 2025	25.4 GB	Q6_K	Wąski
193 tok/s 116–309 · niska pewność	GeForce RTX 5080 NVIDIA	16 GB	960 GB/s	Jan 2025	14.4 GB	Q3_K_M	Wąski

Prędkości są szacunkami dla pojedynczego zapytania — jednej konwersacji na raz — obliczonymi na podstawie przepustowości pamięci, rozmiaru MODELu i kwantyzacji. Rzeczywista przepustowość różni się w zależności od czasu uruchamiania inference i jego wersji. Wartości publikowane przez dostawców sprzętu mierzą wiele jednoczesnych zapytań i są znacznie wyższe..

Na nagranie

Pełna specyfikacja

Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..

Pochodzenie

Kto zbudował ten model, gdzie i kiedy został opublikowany.

Organizacja: NVIDIA
Typ organizacji: Industry
Kraj: United States of America
Opublikowany: 15 December 2025
Autorzy: Abhinav Khattar, Aleksander Ficek, Alisa Liu, Arham Mehta, Asif Ahamed, Ayush Dattagupta, Benedikt Schifferer, Brandon Norick, Branislav Kisacanin, Dan Su, Dane Corneil, Daria Gitman, Dhruv Nathawani, Dima Rekesh, Divyanshu Kakwani, Edgar Minasyan, Eileen Long, Ellie Evans, Eric Tramel, Evelina Bakhturina, Felipe Soares, Feng Chen, Gantavya Bhatt, George Armstrong, Igor Gitman, Ivan Moshkov, Jane …

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Language
Zadanie: Language modeling/generation

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 31.6B
Dane treningowe: tokens

Obliczenia treningowe

Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.

Obliczenia treningowe: 4.8 × 10²³ FLOP

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: NVIDIA H100 SXM5 80GB

Dostępność

Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.

Wagi: Open — downloadable
Dostęp do modelu: Open weights (restricted use)
Hugging Face: nvidia

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Dlaczego to jest śledzone: Discretionary
Zapisz pewność: Likely

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: NVIDIA Nemotron 3 Family of Models
Ostatnio zaktualizowane: 8 April 2026

Ekstremy

Dziesięć najszybszych GPU, które uruchamiają Nemotron 3-Nano-30B-A3B

Uszeregowany według szacowanej liczby tokenów na sekundę, najnowsza karta na pierwszym miejscu, gdy prędkości są równe. Ponieważ generacja jest ograniczona przez pamięć, to uporządkowanie podąża za przepustowością, a nie za jakimkolwiek benchmarkiem gier..

Najmniejsze GPU, które nadal działają Nemotron 3-Nano-30B-A3B

Najtańsza droga do, według pojemności pamięci. Tight fit uruchamia model, ale nie zostawia nic na dłuższą rozmowę..

Co oznaczają liczby

Co potrzebujesz, aby go uruchomić

Minimalna karta

Xeon Phi 7120P

Pamięć potrzebna

14.4 GB

Najszybszy

596 tok/s

Nemotron 3-Nano-30B-A3B osiąga liczbę parametrów równą 31.6B. To ląduje w zakresie, który może obsłużyć poważna karta stacjonarna, gdy wagi są skompresowane. Liczba kart, które śledzimy, które mogą to uruchomić: 241.

Najmniejszy sprzęt, który działa, to Xeon Phi 7120P, o pojemności pamięci 16 GB, uruchomienie go przy kompresji Q3_K_M i produkując około 46.0 tokeny na sekundę

Najwyższa półka to B200, generowanie w przybliżeniu 596 tokenów na sekundę na podstawie przepustowości pamięci 8,000 GB/s.

Tło

Nemotron 3-Nano-30B-A3B został opublikowany przez NVIDIA, w kraju zapisanym jako United States of America, podczas December 2025. Kategoria, do której należy wydawca, to industry.

Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.

Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć. Na Hugging Face jest opublikowane pod organizacją nvidia.

Czytanie wskaźników przepustowości

Na każdej karcie, która może go uruchomić, środek zakresu plasuje się w 94.0 tokenów na sekundę. Przekraczając prędkość czytania bezpośrednio: 239 ich

Ponieważ kieruje każdy token przez podzbiór swoich wag, produkuje tekst z szybkością znacznie mniejszego modelu. Haczyk tkwi w pamięci: wszystko musi się jeszcze zmieścić, więc prędkość jest bonusem, a nie zniżką na sprzęt.

Bez układu uwagi na rekordzie, kolumna pamięci jest przybliżeniem. Jest wystarczająco bliska, aby wybrać sprzęt, i najmniej wiarygodna przy długim kontekście.

Co poszło w budowę tego

Trenowanie zajęło budżet obliczeniowy wynoszący około 4.8 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.

Powód, dla którego w ogóle pojawia się w tym katalogu: discretionary.

Krok po kroku

Jak wybrać GPU do Nemotron 3-Nano-30B-A3B

Tabela powyżej oceniła już każdą kartę, dla której posiadamy specyfikacje, w stosunku do tego modelu. Dotarcie do odpowiedzi wymaga sześciu kroków..

01

Zacznij od kolumny pamięci

Każda karta tutaj została sprawdzona pod kątem Nemotron 3-Nano-30B-A3B, potrzebując około 14.4 GB przy kompresji Q3_K_M. To ta liczba, a nie nagłówkowa wydajność karty, decyduje o tym, czy można ją uruchomić.
02

Dopasuj kontekst do swojego rzeczywistego użycia

Ustaw kontekst na to, co naprawdę użyjesz. Cache rośnie wraz z rozmową i jest to zwykle powód, dla którego karta, która wydawała się w porządku, przestaje pasować. Nemotron 3-Nano-30B-A3B.
03

Zdecyduj, ile kompresji zaakceptujesz

Kolumna kwantyzacji różni się w zależności od karty, ponieważ większa karta przechowuje dokładniejszą kopię., osiągnięcie kompresji Q3_K_M na najmniejszej karcie, która się mieści. Ustalenie minimalnej jakości odrzuca karty, które tylko ją osiągają, uciskając bardziej niż byś chciał, i utrzymuje porównanie na jednym poziomie.
04

Oceń według przepustowości, a nie kart specyfikacji

Szybkość zamawiania jest w rzeczywistości zamawianiem według pasma pamięci, dla Nemotron 3-Nano-30B-A3B. Nie dopasuje się do zamówienia gier, ponieważ generacja jest ograniczona przez przepustowość pamięci. Karta na szczycie listy to B200, w 596 tok/s
05

Sprawdź werdykt dopasowania przed zakupem

Kolumna dopasowania oddziela karty, które ledwo dają radę, od tych, które mają zapas w przypadku Nemotron 3-Nano-30B-A3B. Wygodne oznacza, że możesz później zwiększyć kontekst. Ta różnica ma większe znaczenie niż kilka tokenów na sekundę, więc kupuj za wygodne, jeśli tego oczekujesz.
06

Zobacz, co jeszcze ta karta uruchamia

Każda nazwa karty łączy się z jej własną stroną, która wykonuje tę samą kalkulację w całym katalogu modelu. Kartę zazwyczaj kupuje się dla więcej niż jednego modelu, więc warto rzucić okiem przed zakupem na Nemotron 3-Nano-30B-A3B.

Odpowiedzi

Nemotron 3-Nano-30B-A3B — częste pytania

Nemotron 3-Nano-30B-A3B— kiedy to zostało wydane?

Zostało opublikowane w December 2025.

Nemotron 3-Nano-30B-A3B— do czego to służy?

Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.

Nemotron 3-Nano-30B-A3B— Gdzie mogę to pobrać?

Jego wagi są publikowane na Hugging Face, pod organizacją nvidia. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.

Nemotron 3-Nano-30B-A3B— ile mocy obliczeniowej użyto do jego trenowania?

Szkolenie zajęło około 4.8 × 10²³ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.

Nemotron 3-Nano-30B-A3B— czy mogę go uruchomić, jeśli nie mieści się w moim GPU?

Tylko przez odciążenie, co zwykle jest fałszywą oszczędnością: część trzymana w pamięci systemowej spowalnia cały proces. Najbliższy brak, który obliczamy, jest za mały o 7.3 GB Każda figura tutaj zakłada, że cały model jest zainstalowany na karcie.

Nemotron 3-Nano-30B-A3B— czy dwa GPU uruchomią to szybciej?

Dwie karty kupują pamięć zamiast szybkości, co ma znaczenie tylko wtedy, gdy jedna karta nie może jej pomieścić. Liczba, która może: 241. Więc druga karta rzadko jest odpowiedzią tutaj.

Nemotron 3-Nano-30B-A3B— dlaczego kwantyzacja różni się między kartami?

Ponieważ pojemność się różni, to również to, jak mocno musi być ściśnięta. Liczba wyróżniających się poziomów w tabeli powyżej: 6. Większe karty otrzymują dokładniejszą wersję, a minimalna jakość powyżej ustala porównanie na jednym poziomie.

Nemotron 3-Nano-30B-A3B— Jak dokładne są te szacunki prędkości?

Każda wartość pochodzi z przepustowości pamięci i rozmiaru modelu, a nie z testów porównawczych, dlatego każda jest publikowana jako zakres, a nie pojedyncza liczba. Jeden przykład: 357–953 tok/s na B200. Ten sam model i karta różnią się o trzydzieści do pięćdziesięciu procent w zależności od oprogramowania inferencyjnego i jego wersji.

Nemotron 3-Nano-30B-A3B— Jaką GPU potrzebuję, aby ją uruchomić?

Najmniejsza karta w naszym katalogu, która to pomieści, to Xeon Phi 7120P, o pojemności pamięci 16 GB. Uruchamia model przy kompresji Q3_K_M używając około 14.4 GB, i produkuje w przybliżeniu 46.0 tokenów na sekundę. Liczba kart, które mogą go uruchomić łącznie: 241.

Nemotron 3-Nano-30B-A3B— jak szybko działa na GPU?

To zależy od karty. Najszybciej obliczamy to B200, około 596 tokenów na sekundę; najwolniejszy, który nadal działa, osiąga znacznie mniej. Prędkość odczytu wynosi około dziesięciu tokenów na sekundę, a liczba kart, które to osiągają: 239.

Nemotron 3-Nano-30B-A3B— Ile VRAM-u potrzebuje?

Potrzebuje około 14.4 GB przy kompresji Q3_K_M, który jest najmniejszą kartą, która to uruchamia. Mniej kompresji potrzebuje więcej: liczby w kolumnie pamięci powyżej są przeliczane dla każdej karty, ponieważ każda z nich trzyma wersję o najmniejszej kompresji, jaką może.

Nemotron 3-Nano-30B-A3B— czy mogę uruchomić to na GPU trzymając 16 GB?

Tak. Karta Tesla V100 SXM2 16 GB, trzymanie 16 GB, uruchamia go przy kompresji Q3_K_M, używając około 14.4 GB i generując w przybliżeniu 227 tokenów na sekundę. Dopasowanie jest ciasne.

Nemotron 3-Nano-30B-A3B— czy mogę uruchomić to na GPU trzymając 24 GB?

Tak. Karta GeForce RTX 5090 D V2, trzymanie 24 GB, uruchamia go przy kompresji Q4_K_M, używając około 18.1 GB i generując w przybliżeniu 230 tokenów na sekundę. Dopasowanie jest ciasne.

Nemotron 3-Nano-30B-A3B— czy jest open weight?

Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.

Nemotron 3-Nano-30B-A3B— ile ma parametrów?

Ma liczbę parametrów równą 31.6B. "Nano 30B-A3B Base contains 31.6B total parameters out of which 3.2B are activ". Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.

Nemotron 3-Nano-30B-A3B— kto to stworzył?

Zostało opublikowane przez NVIDIA, oparty na United States of America, organizacja sklasyfikowana jako industry.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 8 April 2026

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.

Wszystkie modele AI