Oblicz TPS modelu L4 na lokalnych modelach AI
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
679 modele w naszym katalogu razem
Największy model, który obsługuje
Mixtral 8x7B
46.7B · Q3_K_M · 26.6 tok/s
Najszybszy model
Gemma 3 QAT 1B
127 tok/s · 1B
Które modele AI mogą działać na a L4?
Ustaw wejścia, odczytaj odpowiedź.
Więcej kontekstu oznacza więcej VRAM dla pamięci rozmowy. Szybkość dotyczy świeżej rozmowy i nie zmienia się przy tym ustawieniu..
Ukrywa modele, które można by zmieścić tylko przez skompresowanie poniżej tego punktu.
502 modele pasują
Obliczanie| Kwantyzacja | Pasuje | ||||||
|---|---|---|---|---|---|---|---|
|
127
tok/s
108–153 |
Gemma 3 1B | 1B | Mar 2025 | 1.8 GB | 33k tokeny | Q8_0 | Wygodny |
|
127
tok/s
108–153 |
Gemma 3 QAT 1B | 1B | Apr 2025 | 1.8 GB | 33k tokeny | Q8_0 | Wygodny |
|
127
tok/s
76–203 · niska pewność |
HGRN 1B (WT 103) ≈ | 1B | Nov 2023 | 1.8 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
127
tok/s
76–203 · niska pewność |
LLama 3..2 Typhoon 2 1B ≈ | 1B | Dec 2024 | 1.8 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
127
tok/s
76–203 · niska pewność |
OLMo-1B ≈ | 1B | Feb 2024 | 1.8 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
127
tok/s
76–203 · niska pewność |
Pythia-1b ≈ | 1B | Apr 2023 | 1.8 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
118
tok/s
71–188 · niska pewność |
OpenELM-1.1B ≈ | 1.1B | May 2024 | 1.9 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
116
tok/s
69–185 · niska pewność |
DeciCoder-1B ≈ | 1.1B | Aug 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
116
tok/s
69–185 · niska pewność |
SantaCoder ≈ | 1.1B | Jan 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
116
tok/s
69–185 · niska pewność |
TinyLlama-1.1B (1T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
116
tok/s
69–185 · niska pewność |
TinyLlama-1.1B (3T token checkpoint) ≈ | 1.1B | Oct 2023 | 1.9 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
106
tok/s
64–169 · niska pewność |
EXAONE 4.0 (1.2B) ≈ | 1.2B | Jul 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
106
tok/s
64–169 · niska pewność |
MinerU2.5 ≈ | 1.2B | Sep 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
106
tok/s
64–169 · niska pewność |
Pleias 1.0 1.2B ≈ | 1.2B | Dec 2024 | 2.0 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
106
tok/s
64–169 · niska pewność |
Pleias-RAG-1B ≈ | 1.2B | Apr 2025 | 2.0 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
103
tok/s
88–124 |
Llama 3.2 1B | 1.2B | Sep 2024 | 2.2 GB | 131k tokeny | Q8_0 | Wygodny |
|
102
tok/s
61–163 · niska pewność |
MiniCPM-1.2B ≈ | 1.2B | Jun 2024 | 2.0 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
DeepSeek Coder 1.3B ≈ | 1.3B | Jan 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
DeepSeek-VL-1.3B ≈ | 1.3B | Mar 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
DigiRL ≈ | 1.3B | Jun 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
GLA Transformer 1.3B ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
Janus 1.3B ≈ | 1.3B | Oct 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
Kosmos-2.5 ≈ | 1.3B | Aug 2024 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · niska pewność |
Otter ≈ | 1.3B | May 2023 | 2.1 GB | 131k tokeny ? | Q8_0 | Wygodny |
|
97.8
tok/s
59–156 · 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
L4 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
- 24 GB
- Pasmo pamięci
- 300 GB/s
- Typ pamięci
- GDDR6
- Szerokość magistrali pamięci
- 192 bit
- Zegar pamięci
- 1.56 GHz
Czip
Jaki procesor jest na płycie i jak został wyprodukowany. Mniejszy rozmiar procesu zazwyczaj oznacza większą wydajność przy tej samej mocy.
- Procesor graficzny
- AD104
- Architektura
- Ada Lovelace
- Generacja
- Server Ada(Lxx)
- Odlewnia
- TSMC
- Rozmiar procesu
- 5 nm
- Transistory
- 35.8 billion
- Gęstość tranzystorów
- 121,800 K/mm²
- Rozmiar die
- 294 mm²
- Wydane
- 21 March 2023
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
- 795 MHz
- Zegar zwiększający
- 2.04 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
- 7,424
- Jednostki mapowania tekstur
- 240
- Jednostki wyjściowe.Render
- 80
- Procesory strumieniowe
- 60
- Rdzenie tensorowe
- 240
- Rdzenie śledzenia promieni
- 60
- cache L1
- 128 KB
- pamięć podręczna L2
- 48 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)
- 30.3 TFLOPS
- Pojedyncza precyzja (FP32)
- 30.3 TFLOPS
- Podwójna precyzja (FP64)
- 473.3 GFLOPS
- Wskaźnik pikseli
- 163 GPixel/s
- Współczynnik tekstury
- 490 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)
- 72 W
- Zalecany zasilacz
- 250 W
- Złącza zasilające
- None
- Interfejs magistrali
- PCIe 4.0 x16
- Szerokość slotu
- Single-slot
- Wymiary
- 169 mm
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
- 8.9
- DirectX
- 12.2
- OpenGL
- 4.6
- Vulkan
- 1.4
- OpenCL
- 3.0
- Model cieniowania
- 6.8
Oferty
Gdzie kupić GPU L4
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
Pamięć: specyfikacja, która decyduje o wszystkim
VRAM
24 GB
Szerokość pasma
300 GB/s
Największy model
Mixtral 8x7B
L4 nosi 24 GB z GDDR6. To pokrywa modele średniej wielkości, które wiele osób faktycznie uruchamia. Gdy czas działania i sterownik zarezerwują swoją przestrzeń roboczą, mniej więcej tyle zostaje: 21.6 GB.
Przepustowość pamięci osiąga 300 GB/s przez magistralę 192 bity. To jest liczba rządząca prędkością generacji — arytmetyka na bajt odczytany jest na tyle mała, że to magistrala, a nie rdzenie, jest na co wszystko czeka.
Przepustowość to zegar razy szerokość magistrali, a ta KARTA zegaruje swoją pamięć na 1.56 GHz. Poszerzenie magistrali i podniesienie zegara to dwa dźwignie, które ma producent, dlatego karta z nie wybitnymi rdzeniami może nadal generować szybko.
Największą rzeczą, jaką ma, jest Mixtral 8x7B, 46.7B, skompresowane do Q3_K_M i generowanie wokół 26.6 tokeny na sekundę
Układ scalony i jak został zbudowany
L4 jest zbudowany na procesorze graficznym AD104, używając architektury Ada Lovelace z NVIDIA, jako część generacji Server Ada(Lxx).
Chip jest produkowany przez TSMC, na procesie 5 nm, z kostką o wymiarach 294 mm², trzymanie 35.8 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 2023, szacunkowo 3.3640339217957 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
30.3 TFLOPS
FP64
473.3 GFLOPS
Rdzenie tensorowe
240
Na papierze L4 osiąga 30.3 TFLOPS przy półprecyzji, i 30.3 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 473.3 GFLOPS. 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 240 Rdzenie tensorowe na wzdłuż 60 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 795 MHz do zwiększenia 2.04 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
L4 ma pamięć podręczną L1 128 KB, wspierany przez pamięć podręczną L2 48 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 7,424 Jednostki cieniujące, 240 Jednostki mapowania tekstur, i 80 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
72 W
L4 jest oceniane na 72 W, i sugerowane zasilanie systemu wynosi 250 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 single-slot, pomiarowania 169 mm długi. Warto sprawdzić z zasilaczem oraz obudową w maszynie, ponieważ największe karty potrzebują zdecydowanie więcej obu niż typowy komputer stacjonarny oferuje.
Łączy się przez PCIe 4.0 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 L4
Największe modele open-weight, które mieszczą się na tej karcie, najnowsze najpierw. Każdy jest pokazany w najlepszej kompresji, jaką karta może pomieścić..
Najszybsze modele AI na a L4
Gdzie ta KARTA produkuje tokeny najszybciej. Mniejsze modele dominują tutaj, ponieważ generowanie każdego tokenu oznacza odczytanie całego modelu z pamięci raz..
Krok po kroku
Jak obliczyć liczbę tokenów na sekundę dla a L4
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 502 modele, które ta karta uruchamia. Wyszukiwanie zawęża listę według nazwy lub rozmiaru.
-
02
Zdecyduj, jak długo trwają twoje rozmowy
Ustaw kontekst na swoją rzeczywistą długość roboczą. Krótkie pytania kosztują prawie nic, ale długi dokument może zająć dużą część 24 GB często jest to to, co pcha duży model na krawędź.
-
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
Przeczytaj prędkość i zasięg
Każda prędkość jest oszacowaniem dla pojedynczej rozmowy, z zakresem poniżej. Górna granica tutaj to 127 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
Kolumna dopasowania oddziela modele, które tylko mieszczą się, od tych, które mają trochę miejsca zapasowego — warto to sprawdzić przed zdecydowaniem się na jeden, w konfrontacji z dostępnym 24 GB.
-
06
Sprawdź ten sam model z drugiej strony
Każda strona modelu powtarza tę kalkulację dla całego katalogu. Warto spojrzeć przed podjęciem decyzji: pokazuje, co jeszcze uruchamia ten sam model, obok L4.
Odpowiedzi
L4 — częste pytania
L4— czy może uruchomić model, który nie mieści się w jego VRAM?
Można go podzielić, a nadmiar przechowywany jest w pamięci systemowej poza kartą. 24 GB zaciąga cały system w dół, a żadne z danych na tej stronie tego nie uwzględnia.
Czy dwa L4 karty będą dwa razy szybsze?
Liberalizowanie ich kupuje przestrzeń zamiast tempa: 48 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.
L4— które modele AI może uruchomić?
502 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.
L4— jaki jest największy model AI, który może uruchomić?
Największy model w naszym katalogu, który pasuje, to Mixtral 8x7B w 46.7B parametry, skompresowane do Q3_K_M. Generuje mniej więcej 26.6 tokenów na sekundę i potrzebuje około 21.0 GB pamięci karty.
L4— Ile tokenów na sekundę produkuje?
To zależy od modelu. Najszybszy model, który śledzimy tutaj, to Gemma 3 QAT 1B około 127 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.
L4— 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 19.0 tokeny na sekundę
L4— czy może działać 13B modele?
Tak. Na przykład działa DeepSeekMoE-16B w Q8_0, używając około 17.5 GB pamięci i generowanie około 44.1 tokeny na sekundę
L4— czy może działać 30B modele?
Tak. Na przykład działa Nemotron 3-Nano-30B-A3B w Q4_K_M, używając około 18.1 GB pamięci i generowanie około 51.6 tokeny na sekundę
L4— Ile ma pamięci?
Ta karta ma 24 GB z GDDR6. Około jedna dziesiąta jest zarezerwowana przez czas wykonywania wnioskowania i sterownik, pozostawiając mniej więcej 21.6 GB dostępny dla modelu i jego rozmowy
L4— jaka jest jej przepustowość VRAM?
Przepustowość pamięci osiąga 300 GB/s przez magistralę 192 bity. To jest jedyny najlepszy wskaźnik tego, jak szybko generuje tekst, ponieważ produkcja każdego tokena oznacza odczytanie całego modelu z pamięci jednocześnie.
L4— Jakiego typu pamięci używa?
Używa GDDR6 prędkość zegara na 1.56 GHz. 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.
L4— kto to robi?
To jest produkt NVIDIA, z chipem wyprodukowanym przez TSMC, na procesie 5 nm.
L4— kiedy to zostało wydane?
Został wydany w March 2023.
L4— ile mocy zużywa?
Moc nominalna karty graficznej wynosi 72 W, i sugerowane zasilanie systemu wynosi 250 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.
L4— ile pamięci podręcznej ma?
Pamięć podręczna L1 jest 128 KB, i pamięć podręczna L2 jest 48 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.
L4— jakie są jego TFLOPS?
Jest oceniane na 30.3 TFLOPS przy połowicznej precyzji i 30.3 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.
L4— Ile rdzeni tensorowych ma?
To ma 240 Rdzenie tensorowe na wzdłuż 60 Procesory strumieniowe. Przyspieszają arytmetykę macierzy, z której zbudowany jest transformator, co głównie przyspiesza przetwarzanie długiego promptu, a nie generowanie odpowiedzi.
L4— czy obsługuje CUDA?
Tak. Raportuje zdolność obliczeniową CUDA. 8.9. Funkcjonalność 7.0 i wyższa ma rdzenie tensorowe, z których korzysta nowoczesne oprogramowanie inferencyjne; poniżej tego korzysta z wolniejszych ścieżek kodu dla modelów kwantyzowanych.
L4— Jakiego interfejsu autobusowego używa?
Używa PCIe 4.0 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.
L4— czy jest dobry do uruchamiania lokalnych modeli AI?
Jego pamięć komfortowo pokrywa średniej wielkości modele, które większość ludzi uruchamia lokalnie, chociaż jego przepustowość oznacza, że generowanie będzie wydawać się wolne przy większych modelach. W sumie działa 502 modele, które śledzimy. Czy to wystarczy, zależy całkowicie od tego, który model chcesz — tabela powyżej odpowiada na to bezpośrednio.
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.