Oblicz TPS modelu Tesla V100 PCIe 32 GB na lokalnych modelach AI

NVIDIA 32 GB HBM2 897 GB/s March 2018

Każdy model w naszym katalogu oceniany według tej karty przy długości kontekstu i minimalnej jakości, którą wybierzesz. Prędkość jest szacunkowa dla pojedynczego żądania, obliczona na podstawie przepustowości pamięci tej karty i rozmiaru każdego modelu po skompresowaniu..

Obliczone dla tej karty

513 modele, które może uruchomić

679 modele w naszym katalogu razem

Największy model, który obsługuje

Phi-3.5-MoE

60.8B · Q3_K_M · 93.7 tok/s

Najszybszy model

Gemma 3 QAT 1B

380 tok/s · 1B

Które modele AI mogą działać na a Tesla V100 PCIe 32 GB?

Ustaw wejścia, odczytaj odpowiedź.

Długość kontekstu tokeny

Więcej kontekstu oznacza więcej VRAM dla pamięci rozmowy. Szybkość dotyczy świeżej rozmowy i nie zmienia się przy tym ustawieniu..

Minimalna jakość

Ukrywa modele, które można by zmieścić tylko przez skompresowanie poniżej tego punktu.

Szukaj modeli

Rozmiar modelu

Wydane

Pokazuje również modele, których nie może uruchomić.

513 modele pasują

Obliczanie

						Kwantyzacja	Pasuje
380 tok/s 323–456	Gemma 3 1B	1B	Mar 2025	1.8 GB	33k tokeny	Q8_0	Wygodny
380 tok/s 323–456	Gemma 3 QAT 1B	1B	Apr 2025	1.8 GB	33k tokeny	Q8_0	Wygodny
380 tok/s 228–608 · niska pewność	HGRN 1B (WT 103) ≈	1B	Nov 2023	1.8 GB	131k tokeny ?	Q8_0	Wygodny
380 tok/s 228–608 · niska pewność	LLama 3..2 Typhoon 2 1B ≈	1B	Dec 2024	1.8 GB	131k tokeny ?	Q8_0	Wygodny
380 tok/s 228–608 · niska pewność	OLMo-1B ≈	1B	Feb 2024	1.8 GB	131k tokeny ?	Q8_0	Wygodny
380 tok/s 228–608 · niska pewność	Pythia-1b ≈	1B	Apr 2023	1.8 GB	131k tokeny ?	Q8_0	Wygodny
352 tok/s 211–563 · niska pewność	OpenELM-1.1B ≈	1.1B	May 2024	1.9 GB	131k tokeny ?	Q8_0	Wygodny
345 tok/s 207–553 · niska pewność	DeciCoder-1B ≈	1.1B	Aug 2023	1.9 GB	131k tokeny ?	Q8_0	Wygodny
345 tok/s 207–553 · niska pewność	SantaCoder ≈	1.1B	Jan 2023	1.9 GB	131k tokeny ?	Q8_0	Wygodny
345 tok/s 207–553 · niska pewność	TinyLlama-1.1B (1T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Wygodny
345 tok/s 207–553 · niska pewność	TinyLlama-1.1B (3T token checkpoint) ≈	1.1B	Oct 2023	1.9 GB	131k tokeny ?	Q8_0	Wygodny
317 tok/s 190–507 · niska pewność	EXAONE 4.0 (1.2B) ≈	1.2B	Jul 2025	2.0 GB	131k tokeny ?	Q8_0	Wygodny
317 tok/s 190–507 · niska pewność	MinerU2.5 ≈	1.2B	Sep 2025	2.0 GB	131k tokeny ?	Q8_0	Wygodny
317 tok/s 190–507 · niska pewność	Pleias 1.0 1.2B ≈	1.2B	Dec 2024	2.0 GB	131k tokeny ?	Q8_0	Wygodny
317 tok/s 190–507 · niska pewność	Pleias-RAG-1B ≈	1.2B	Apr 2025	2.0 GB	131k tokeny ?	Q8_0	Wygodny
309 tok/s 263–371	Llama 3.2 1B	1.2B	Sep 2024	2.2 GB	131k tokeny	Q8_0	Wygodny
305 tok/s 183–487 · niska pewność	MiniCPM-1.2B ≈	1.2B	Jun 2024	2.0 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	DeepSeek Coder 1.3B ≈	1.3B	Jan 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	DeepSeek-VL-1.3B ≈	1.3B	Mar 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	DigiRL ≈	1.3B	Jun 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	GLA Transformer 1.3B ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	Janus 1.3B ≈	1.3B	Oct 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	Kosmos-2.5 ≈	1.3B	Aug 2024	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	Otter ≈	1.3B	May 2023	2.1 GB	131k tokeny ?	Q8_0	Wygodny
292 tok/s 175–468 · niska pewność	Phi-1 ≈	1.3B	Oct 2023	2.1 GB	131k tokeny ?	Q8_0	Wygodny

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

Tesla V100 PCIe 32 GB Pełna specyfikacja

Wszystko w bazie danych dla tej karty, uporządkowane według tego, jak bardzo wpływa na uruchamianie modelu językowego, a nie według tego, jak lista specyfikacji by to opisała. MEMORY jest na pierwszym miejscu, ponieważ decyduje o wyniku; reszta to CONTEXT..

VRAM

Dwie specyfikacje decydują, co ta KARTA może uruchomić i jak szybko. Pojemność określa, które modele mieszczą się w GPU VRAM; przepustowość określa, ile tokenów na sekundę generują, gdy już ją uruchomią.

Rozmiar pamięci: 32 GB
Pasmo pamięci: 897 GB/s
Typ pamięci: HBM2
Szerokość magistrali pamięci: 4,096 bit
Zegar pamięci: 876 MHz

Czip

Jaki procesor jest na płycie i jak został wyprodukowany. Mniejszy rozmiar procesu zazwyczaj oznacza większą wydajność przy tej samej mocy.

Procesor graficzny: GV100
Architektura: Volta
Generacja: Tesla Volta(Vxx)
Odlewnia: TSMC
Rozmiar procesu: 12 nm
Transistory: 21.1 billion
Gęstość tranzystorów: 25,900 K/mm²
Rozmiar die: 815 mm²
Wydane: 27 March 2018

Częstotliwości zegara

Jak szybko działa procesor. Warto znacznie mniej tutaj niż w testach wydajności gier: generowanie tekstu jest ograniczone przez przepustowość pamięci, więc wyższa częstotliwość ledwo wpływa na rezultat.

Zegar bazowy: 1.23 GHz
Zegar zwiększający: 1.38 GHz

Jednostki przetwarzania

Co zawiera chip. Te elementy napędzają wydajność grafiki i mają znaczenie głównie dla przetwarzania długiego promptu, a nie dla generowania odpowiedzi.

Jednostki cieniujące: 5,120
Jednostki mapowania tekstur: 320
Jednostki wyjściowe.Render: 128
Procesory strumieniowe: 80
Rdzenie tensorowe: 640
cache L1: 128 KB
pamięć podręczna L2: 6 MB

Wydajność teoretyczna

Szczytowe współczynniki arytmetyczne opublikowane dla karty. Są to limity, które żadne rzeczywiste obciążenie nie osiąga, a generowanie tekstu osiąga jedynie małą ich część, ponieważ jest ograniczone przez VRAM, a nie arytmetykę.

Pół precyzja (FP16): 28.3 TFLOPS
Pojedyncza precyzja (FP32): 14.1 TFLOPS
Podwójna precyzja (FP64): 7.1 TFLOPS
Wskaźnik pikseli: 177 GPixel/s
Współczynnik tekstury: 442 GTexel/s

Płyta

Co jest potrzebne do fizycznej instalacji i zasilania karty — praktyczne ograniczenia, które decydują, czy pasuje do maszyny, którą już posiadasz.

Pobór mocy (TDP): 250 W
Zalecany zasilacz: 600 W
Złącza zasilające: 2x 8-pin
Interfejs magistrali: PCIe 3.0 x16
Szerokość slotu: Dual-slot

Wsparcie oprogramowania

Jakie interfejsy graficzne i obliczeniowe obsługuje karta. Możliwość obliczeniowa CUDA ma znaczenie dla wnioskowania: poniżej 7.0 nie ma rdzeni tensorowych, a nowoczesne oprogramowanie do wnioskowania wraca do wolniejszych ścieżek kodu.

zdolność obliczeniowa CUDA: 7.0
DirectX: 12.1
OpenGL: 4.6
Vulkan: 1.4
OpenCL: 3.0
Model cieniowania: 6.8

Oferty

Gdzie kupić GPU Tesla V100 PCIe 32 GB

Żaden dostawca obecnie nie wymienia tej karty. Oferty pochodzą od dostawców, którzy publikują je tutaj bezpośrednio. — przejrzyj katalog dostawców zobaczyć, kto sprzedaje co.

Co oznaczają liczby

Dlaczego pamięć jest liczbą, która ma tutaj znaczenie

VRAM

32 GB

Szerokość pasma

897 GB/s

Największy model

Phi-3.5-MoE

Tesla V100 PCIe 32 GB nosi 32 GB z HBM2. To pokrywa modele średniej wielkości, które wiele osób faktycznie uruchamia. Gdy czas działania i sterownik zarezerwują swoją przestrzeń roboczą, mniej więcej tyle zostaje: 28.8 GB.

Przepustowość pamięci osiąga 897 GB/s przez magistralę 4,096 bity. Generowanie tokena oznacza odczytanie każdej wagi raz, więc ta liczba wyznacza tempo bardziej niż jakakolwiek inna liczba tutaj, a na tym poziomie tekst dociera szybciej niż większość ludzi czyta.

To pochodzi z zegara pamięci 876 MHz. To dlatego liczba rdzeni tak słabo przewiduje prędkość generacji.

Największą rzeczą, jaką ma, jest Phi-3.5-MoE, 60.8B, skompresowane do Q3_K_M i generowanie wokół 93.7 tokeny na sekundę

Układ scalony i jak został zbudowany

Tesla V100 PCIe 32 GB jest zbudowany na procesorze graficznym GV100, używając architektury Volta z NVIDIA, jako część generacji Tesla Volta(Vxx).

Chip jest produkowany przez TSMC, na procesie 12 nm, z kostką o wymiarach 815 mm², trzymanie 21.1 billion Transistory. Mniejszy proces zazwyczaj oznacza lepszą wydajność przy tej samej mocy, chociaż w przypadku modeli językowych ma to znacznie mniejsze znaczenie niż subsystem pamięci.

Został wydany w March 2018, szacunkowo 8.3477973161065 lata temu. Wsparcie oprogramowania do wnioskowania zazwyczaj podąża za sprzętem z opóźnieniem roku lub dwóch, więc karta tego wieku zazwyczaj ma dostępne dojrzałe, dobrze zoptymalizowane ścieżki kodu.

Wydajność obliczeniowa i dlaczego ma mniejsze znaczenie, niż się wydaje

FP16

28.3 TFLOPS

FP64

7.1 TFLOPS

Rdzenie tensorowe

640

Na papierze Tesla V100 PCIe 32 GB osiąga 28.3 TFLOPS przy półprecyzji, i 14.1 TFLOPS przy pojedynczej precyzji. To są wartości szczytowe, żaden rzeczywisty obciążenie ich nie utrzymuje, a generowanie tekstu osiąga tylko małą część z nich — dekodowanie jest ograniczone przez pamięć, a nie przez arytmetykę, co jest powodem, dla którego karta może wyglądać na niezwykle potężną tutaj i nadal produkować tokeny w zwykłym tempie.

Przepustowość podwójnej precyzji osiąga 7.1 TFLOPS. Nie ma to wpływu na uruchamianie modelu językowego — żadna sesja inferencyjna tego nie używa — ale oddziela części datacenter od konsumenckich, ponieważ te drugie celowo to ograniczają.

Karta przenosi 640 Rdzenie tensorowe na wzdłuż 80 Procesory strumieniowe. Te przyspieszają obliczenia macierzowe, które są sercem transformatora, i to one sprawiają, że przetwarzanie poleceń — czytanie długiego dokumentu przed udzieleniem odpowiedzi — jest znacznie szybsze, niż byłoby w przeciwnym razie.

Zegary działają od podstawy 1.23 GHz do zwiększenia 1.38 GHz. Warto tu znacznie mniej niż na benchmarkach gier: podnoszenie szybkości zegara poprawia arytmetykę, a arytmetyka nie jest tym, na co czeka generacja.

Pamięć podręczna i jednostki przetwarzające

Tesla V100 PCIe 32 GB ma pamięć podręczną L1 128 KB, wspierany przez pamięć podręczną L2 6 MB. Cache absorbuje część ruchu pamięci, która w przeciwnym razie uderzyłaby w główną magistralę, która jest jednym miejscem na tej stronie, gdzie liczba inna niż przepustowość cicho wpływa na szybkość generacji — duża L2 pozwala większej części zbioru roboczego pozostać blisko rdzeni.

Są 5,120 Jednostki cieniujące, 320 Jednostki mapowania tekstur, i 128 Jednostki wyjściowe.Render. Te napędy obsługują obciążenia graficzne i przyczyniają się do przetwarzania zapytań, ale pozostają bezczynne przez dużą część czasu, gdy model generuje odpowiedź.

Moc, rozmiar i instalacja

Pobór mocy

250 W

Tesla V100 PCIe 32 GB jest oceniane na 250 W, i sugerowane zasilanie systemu wynosi 600 W. Uruchamianie modelu językowego zajmuje kartę w krótkich momentach zamiast ciągłego — intensywnie korzysta podczas generowania i jest w uśpieniu między zapytaniami — więc utrzymane obciążenie w ciągu roboczego dnia jest zazwyczaj znacznie poniżej nominalnej wartości.

Płyta zajmuje dual-slot, i potrzebuje 2x 8-pin. Warto sprawdzić z zasilaczem oraz obudową w maszynie, ponieważ największe karty potrzebują zdecydowanie więcej obu niż typowy komputer stacjonarny oferuje.

Łączy się przez PCIe 3.0 x16. Interfejs reguluje, jak szybko model jest ładowany z dysku do karty, a nie jak szybko działa po załadowaniu, więc węższe połączenie kosztuje kilka sekund na starcie i nic później.

Ekstremy

Największe modele AI, które działają na a Tesla V100 PCIe 32 GB

Największe modele open-weight, które mieszczą się na tej karcie, najnowsze najpierw. Każdy jest pokazany w najlepszej kompresji, jaką karta może pomieścić..

01 Kimi Linear 48B · IQ4_XS · Oct 2025 19.4 tok/s
02 Llama Nemotron Super v1.5 49B · IQ4_XS · Jul 2025 19.0 tok/s
03 Nemotron-H 56B 56B · Q3_K_M · Apr 2025 18.3 tok/s
04 Nemotron-H 47B 47B · IQ4_XS · Apr 2025 19.9 tok/s
05 Llama Nemotron Super 49B 49B · IQ4_XS · Mar 2025 19.0 tok/s
06 Jamba 1.6 Mini 52B · IQ4_XS · Mar 2025 77.7 tok/s
07 Jamba 1.5 Mini 52B · IQ4_XS · Aug 2024 77.7 tok/s
08 Qwen2-57B-A14B 57B · IQ4_XS · Jun 2024 66.6 tok/s
09 Phi-3.5-MoE 60.8B · Q3_K_M · Apr 2024 93.7 tok/s
10 Jamba 51.6B · IQ4_XS · Mar 2024 77.7 tok/s

Najszybsze modele AI na a Tesla V100 PCIe 32 GB

Gdzie ta KARTA produkuje tokeny najszybciej. Mniejsze modele dominują tutaj, ponieważ generowanie każdego tokenu oznacza odczytanie całego modelu z pamięci raz..

01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 380 tok/s
02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 380 tok/s
03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 380 tok/s
04 OLMo-1B 1B · Q8_0 · 1.8 GB 380 tok/s
05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 380 tok/s
06 Pythia-1b 1B · Q8_0 · 1.8 GB 380 tok/s
07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 352 tok/s
08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 345 tok/s
09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 345 tok/s
10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 345 tok/s

Krok po kroku

Jak obliczyć liczbę tokenów na sekundę dla a Tesla V100 PCIe 32 GB

Nie musisz niczego obliczać ręcznie — kalkulator gputps.com na tej stronie już obliczył to dla każdego modelu, który ta karta może pomieścić. Odczytanie odpowiedzi zajmuje sześć kroków..

01

Szukaj modelu, którego chcesz

Tabela zawiera 513 modele, które ta karta uruchamia. Wyszukiwanie zawęża listę według nazwy lub rozmiaru.
02

Ustaw długość kontekstu, którą faktycznie będziesz używać

Przeciągnij suwak do długości rozmowy, na której planujesz pracować. Pamięć podręczna rośnie wraz z rozmową, a w porównaniu do karty trzymającej 32 GB to często różnica między modelem, który się mieści, a takim, który się nie mieści.
03

Wybierz, jak daleko chcesz skompresować

Domyślnie tabela wybiera najmniej skompresowaną kopię, która się zmieści. Ustawienie minimum usuwa modele, które kwalifikują się tylko dzięki dużej kompresji.
04

Spójrz na zakres, nie tylko na liczbę

Każda prędkość jest oszacowaniem dla pojedynczej rozmowy, z zakresem poniżej. Górna granica tutaj to 380 tok/s na Gemma 3 QAT 1B. Ta sama karta i model różnią się od trzydziestu do pięćdziesięciu procent między czasami wykonywania inference.
05

Sprawdź kolumnę pamięci przed zatwierdzeniem

Tight oznacza, że działa dzisiaj; comfortable oznacza, że nadal działa, gdy rozmowa się rozwija. Porównaj, co każdy model potrzebuje w porównaniu z dostępnym. 32 GB.
06

Otwórz model, aby porównać karty

Każda strona modelu powtarza tę kalkulację dla całego katalogu. Warto spojrzeć przed podjęciem decyzji: pokazuje, co jeszcze uruchamia ten sam model, obok Tesla V100 PCIe 32 GB.

Odpowiedzi

Tesla V100 PCIe 32 GB — częste pytania

Tesla V100 PCIe 32 GB— ile mocy zużywa?

Moc nominalna karty graficznej wynosi 250 W, i sugerowane zasilanie systemu wynosi 600 W. Generowanie tekstu bardzo obciąża w krótkich szczytach i idle'uje między żądaniami, więc średnie zużycie podczas sesji roboczej jest zazwyczaj znacznie poniżej określonej wartości.

Tesla V100 PCIe 32 GB— ile pamięci podręcznej ma?

Pamięć podręczna L1 jest 128 KB, i pamięć podręczna L2 jest 6 MB. Cache absorbuje część ruchu pamięci, który w przeciwnym razie dotarłby do głównej magistrali, więc większy L2 daje skromny wzrost prędkości generacji ponad to, co przewiduje sama szerokość pasma.

Tesla V100 PCIe 32 GB— jakie są jego TFLOPS?

Jest oceniane na 28.3 TFLOPS przy połowicznej precyzji i 14.1 TFLOPS przy pojedynczej precyzji. Są to najwyższe sufity arytmetyczne, a nie osiągalne stawki, a generacja tekstu osiąga tylko małą część z nich, ponieważ jest ograniczona przez przepustowość pamięci.

Tesla V100 PCIe 32 GB— Ile rdzeni tensorowych ma?

To ma 640 Rdzenie tensorowe na wzdłuż 80 Procesory strumieniowe. Przyspieszają arytmetykę macierzy, z której zbudowany jest transformator, co głównie przyspiesza przetwarzanie długiego promptu, a nie generowanie odpowiedzi.

Tesla V100 PCIe 32 GB— czy obsługuje CUDA?

Tak. Raportuje zdolność obliczeniową CUDA. 7.0. Funkcjonalność 7.0 i wyższa ma rdzenie tensorowe, z których korzysta nowoczesne oprogramowanie inferencyjne; poniżej tego korzysta z wolniejszych ścieżek kodu dla modelów kwantyzowanych.

Tesla V100 PCIe 32 GB— Jakiego interfejsu autobusowego używa?

Używa PCIe 3.0 x16. To reguluje, jak szybko model jest ładowany na kartę, a nie jak szybko działa po załadowaniu, więc kosztuje kilka sekund podczas uruchamiania i nic podczas generacji.

Tesla V100 PCIe 32 GB— czy jest dobry do uruchamiania lokalnych modeli AI?

Jego pamięć komfortowo pokrywa średniej wielkości modele, które większość ludzi uruchamia lokalnie, a jego przepustowość jest na tyle wysoka, że generuje tekst szybciej niż większość ludzi czyta. W sumie działa 513 modele, które śledzimy. Czy to wystarczy, zależy całkowicie od tego, który model chcesz — tabela powyżej odpowiada na to bezpośrednio.

Tesla V100 PCIe 32 GB— czy może uruchomić model, który nie mieści się w jego VRAM?

Tylko częściowo. Warstwy poza kartą 32 GB siedzi w pamięci GPU i działa z ułamkową prędkością, więc w dużej mierze zrzucany model rzadko jest wart użycia. Każda wartość tutaj zakłada, że jest w pełni dostępna na karcie.

Czy dwa Tesla V100 PCIe 32 GB karty będą dwa razy szybsze?

Pojemność dodaje, wydajność nie. Dwie z nich dają ci 64 GB który pozwala na utrzymanie modeli, których żaden z nich nie mógłby utrzymać samodzielnie, ale generacja nie dzieli się w ten sposób. Te dane opisują jedną KARTĘ.

Tesla V100 PCIe 32 GB— które modele AI może uruchomić?

513 z 679 modele językowe open-weight, które śledzimy, mieszczą się na tej karcie i mogą być uruchamiane lokalnie. Tabela na tej stronie zawiera każdy z nich, z wymaganą pamięcią, poziomem kwantyzacji oraz szacowaną prędkością generacji.

Tesla V100 PCIe 32 GB— jaki jest największy model AI, który może uruchomić?

Największy model w naszym katalogu, który pasuje, to Phi-3.5-MoE w 60.8B parametry, skompresowane do Q3_K_M. Generuje mniej więcej 93.7 tokenów na sekundę i potrzebuje około 27.2 GB pamięci karty.

Tesla V100 PCIe 32 GB— Ile tokenów na sekundę produkuje?

To zależy od modelu. Najszybszy model, który śledzimy tutaj, to Gemma 3 QAT 1B około 380 tokenów na sekundę, podczas gdy większe modele działają proporcjonalnie wolniej, ponieważ każdy token wymaga odczytania całego modelu z pamięci za każdym razem. Prędkości są szacunkami dla jednej rozmowy na raz.

Tesla V100 PCIe 32 GB— czy może działać 7B modele?

Tak. Na przykład działa Multi-Token Prediction 7B w Q8_0, używając około 7.9 GB pamięci i generowanie około 56.7 tokeny na sekundę

Tesla V100 PCIe 32 GB— czy może działać 13B modele?

Tak. Na przykład działa DeepSeekMoE-16B w Q8_0, używając około 17.5 GB pamięci i generowanie około 132 tokeny na sekundę

Tesla V100 PCIe 32 GB— czy może działać 30B modele?

Tak. Na przykład działa ERNIE-4.5-VL-28B-A3B w Q6_K, używając około 22.7 GB pamięci i generowanie około 110 tokeny na sekundę

Tesla V100 PCIe 32 GB— Ile ma pamięci?

Ta karta ma 32 GB z HBM2. Około jedna dziesiąta jest zarezerwowana przez czas wykonywania wnioskowania i sterownik, pozostawiając mniej więcej 28.8 GB dostępny dla modelu i jego rozmowy

Tesla V100 PCIe 32 GB— jaka jest jej przepustowość VRAM?

Przepustowość pamięci osiąga 897 GB/s przez magistralę 4,096 bity. To jest jedyny najlepszy wskaźnik tego, jak szybko generuje tekst, ponieważ produkcja każdego tokena oznacza odczytanie całego modelu z pamięci jednocześnie.

Tesla V100 PCIe 32 GB— Jakiego typu pamięci używa?

Używa HBM2 prędkość zegara na 876 MHz. Typy HBM znajdują się na akceleratorach w centrum danych i mają znacznie większą przepustowość niż GDDR używane na kartach stacjonarnych, dlatego generują tokeny znacznie szybciej przy tej samej pojemności.

Tesla V100 PCIe 32 GB— kto to robi?

To jest produkt NVIDIA, z chipem wyprodukowanym przez TSMC, na procesie 12 nm.

Tesla V100 PCIe 32 GB— kiedy to zostało wydane?

Został wydany w March 2018.

Druga strona

Patrząc na to z drugiej strony?

Ta strona zaczyna się od sprzętu. Jeśli już wiesz, jaki model chcesz i potrzebujesz wiedzieć, co jest potrzebne do jego uruchomienia, Zacznij od modelu zamiast.

Wszystkie GPU