趋近智
NVIDIA A100 (40GB)
NVIDIA A100 (40GB) 配备 40 GB 专用显存与 1555 GB/s 显存带宽，支持 CUDA 和 TensorRT-LLM 运行环境，可进行全精度与量化大模型推理。
总显存
40 GB
可用显存上限
40 GB
显存带宽
1555 GB/s
最大推理模型级别
32B 模型 (Q4)
热设计功耗
400W
显存占用随上下文长度变化曲线
随上下文长度增长的显存需求评估。当曲线超过参考线时将导致显存不足（OOM）。
量化精度:
NVIDIA A100 (40GB) 最佳运行大模型与速度矩阵
主流开源大模型在 NVIDIA A100 (40GB) 上的推理速度、显存兼容性与生成吞吐表现。
排序:
上下文长度:
KV 缓存:
显卡数量:
| 排名 | 模型 | 参数量 | 量化精度 | 预估 TPS | TTFT | 可运行 |
|---|---|---|---|---|---|---|
#33 | Qwen 3.8 27B | 27B | INT4 Q8 | 72 tok/s 42 tok/s | ~1.1s ~1.1s | |
#48 | Agnes 3.0 Flash | 33B | INT4 Q8 | 60 tok/s 33 tok/s | ~1.3s ~1.4s | |
#72 | K2 Horizon MoVA 36B A4B | 36B (4B active) | INT4 Q8 | 255 tok/s 178 tok/s | ~214 ms ~234 ms | |
#83 | Qwen3.5-27B | 27B | INT4 Q8 | 72 tok/s 42 tok/s | ~1.1s ~1.1s | |
#92 | Sarvam-30B | 32B (2.4B active) | INT4 Q8 | 314 tok/s 237 tok/s | ~150 ms ~163 ms | |
#94 | Qwen3.6 35B A3B | 35B (3B active) | INT4 Q8 | 289 tok/s 210 tok/s | ~175 ms ~190 ms | |
#96 | Muse Glimmer 30B | 30B | INT4 Q8 | 66 tok/s 36 tok/s | ~1.2s ~1.3s | |
#100 | Phi-4 Reasoning Plus | 14B | INT4 Q8 FP16 | 93 tok/s 64 tok/s 35 tok/s | ~572 ms ~577 ms ~639 ms | |
#101 | MiMo V2 Flash | 15B (309B active) | INT4 Q8 FP16 | 7 tok/s 4 tok/s 2 tok/s | ~11.8s ~11.9s ~13.2s | |
#108 | Gemma 4 26B A4B | 25.2B (3.8B active) | INT4 Q8 | 270 tok/s 198 tok/s | ~196 ms ~197 ms | |
#109 | Gemma 4 12B | 11.95B | INT4 Q8 FP16 | 105 tok/s 73 tok/s 43 tok/s | ~491 ms ~495 ms ~504 ms | |
#113 | Qwen3.5-9B | 9B | INT4 Q8 FP16 | 175 tok/s 111 tok/s 62 tok/s | ~370 ms ~373 ms ~381 ms | |
#114 | Qwen3.5-35B-A3B | 35B (3B active) | INT4 Q8 | 289 tok/s 210 tok/s | ~175 ms ~190 ms | |
#118 | K2 Horizon 7B | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
#128 | NVIDIA Nemotron 3 Nano 30B-A3B | 3.5B (30B active) | INT4 Q8 FP16 | 63 tok/s 37 tok/s 20 tok/s | ~1.2s ~1.2s ~1.2s | |
#129 | Gemma 4 31B | 30.7B | INT4 Q8 | 64 tok/s 36 tok/s | ~1.2s ~1.3s | |
#131 | Nemotron 3.5 Lightning | 30B (3B active) | INT4 Q8 | 129 tok/s 113 tok/s | ~175 ms ~191 ms | |
#132 | Qwen3.5-4B | 4B | INT4 Q8 FP16 | 292 tok/s 205 tok/s 124 tok/s | ~171 ms ~173 ms ~176 ms | |
#133 | Qwen3-30B-A3B | 30B (3B active) | INT4 Q8 | 292 tok/s 212 tok/s | ~171 ms ~187 ms | |
#136 | GPT-OSS 20B | 21B (3.6B active) | INT4 Q8 | 143 tok/s 125 tok/s | ~187 ms ~188 ms | |
#146 | Granite 4.2 8B | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#150 | Gemma 4 E4B | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#151 | Nemotron 3.5 Lightning 30B A3B | 30B (3B active) | INT4 Q8 | 292 tok/s 212 tok/s | ~171 ms ~187 ms | |
#153 | Qwen3-32B | 32B | INT4 Q8 | 62 tok/s 34 tok/s | ~1.3s ~1.4s | |
#154 | Qwen2.5-72B | 72B | INT4 | 26 tok/s | ~3.3s | |
#155 | Mistral Large 3 | 41B (675B active) | INT4 | 3 tok/s | ~28.0s | |
#156 | GLM-4 | 32B | INT4 Q8 | 49 tok/s 28 tok/s | ~1.3s ~1.5s | |
#157 | DeepSeek-R1 70B | 70B | INT4 | 29 tok/s | ~3.0s | |
#158 | GLM-4V | 9B | INT4 Q8 FP16 | 131 tok/s 93 tok/s 56 tok/s | ~372 ms ~375 ms ~382 ms | |
#159 | Gemma 3 27B | 27B | INT4 Q8 | 72 tok/s 42 tok/s | ~1.1s ~1.1s | |
#160 | Phi-4 | 14B | INT4 Q8 FP16 | 125 tok/s 76 tok/s 41 tok/s | ~570 ms ~575 ms ~586 ms | |
#161 | Llama 3.3 70B | 70B | INT4 | 29 tok/s | ~3.0s | |
#162 | DeepSeek-R1 32B | 32B | INT4 Q8 | 64 tok/s 35 tok/s | ~1.3s ~1.4s | |
#163 | Hunyuan Standard | 52B (389B active) | INT4 | 5 tok/s | ~16.2s | |
#164 | Qwen2.5-32B | 32B | INT4 Q8 | 62 tok/s 34 tok/s | ~1.3s ~1.4s | |
#168 | Magistral Small | 24B | INT4 Q8 | 61 tok/s 40 tok/s | ~967 ms ~976 ms | |
#169 | OLMo 3 7B Think | 7B | INT4 Q8 FP16 | 155 tok/s 113 tok/s 69 tok/s | ~292 ms ~294 ms ~300 ms | |
#170 | OLMo 3.1 32B Instruct | 32B | INT4 Q8 | 49 tok/s 28 tok/s | ~1.3s ~1.5s | |
#171 | Llama 3.1 70B | 70B | INT4 | 29 tok/s | ~3.0s | |
#172 | DeepSeek-R1 14B | 14B | INT4 Q8 FP16 | 128 tok/s 77 tok/s 41 tok/s | ~569 ms ~575 ms ~586 ms | |
#173 | Ministral 3 14B | 14B | INT4 Q8 FP16 | 93 tok/s 64 tok/s 35 tok/s | ~572 ms ~577 ms ~639 ms | |
#177 | Gemma 3 12B | 12B | INT4 Q8 FP16 | 141 tok/s 87 tok/s 47 tok/s | ~490 ms ~494 ms ~504 ms | |
#179 | Qwen2-72B | 72B | INT4 | 26 tok/s | ~3.3s | |
#180 | OLMo 3 32B Base | 32B | INT4 Q8 | 49 tok/s 28 tok/s | ~1.3s ~1.5s | |
#181 | Mistral-Small-2501 | 24B | INT4 Q8 | 80 tok/s 47 tok/s | ~963 ms ~972 ms | |
#182 | Ministral 3 8B | 8B | INT4 Q8 FP16 | 143 tok/s 102 tok/s 62 tok/s | ~332 ms ~334 ms ~341 ms | |
#183 | Qwen3.5-2B | 2B | INT4 Q8 FP16 | 397 tok/s 308 tok/s 206 tok/s | ~92 ms ~93 ms ~95 ms | |
#184 | MiniCPM5-2B | 2B | INT4 Q8 FP16 | 397 tok/s 308 tok/s 206 tok/s | ~92 ms ~93 ms ~95 ms | |
#185 | Qwen2.5-14B | 14B | INT4 Q8 FP16 | 125 tok/s 76 tok/s 41 tok/s | ~570 ms ~575 ms ~586 ms | |
#186 | Gemma 2 27B | 27B | INT4 Q8 | 72 tok/s 42 tok/s | ~1.1s ~1.1s | |
#187 | OLMo 3.1 32B Think | 32B | INT4 Q8 | 49 tok/s 28 tok/s | ~1.3s ~1.5s | |
#188 | Gemma 4 E2B | 5.1B | INT4 Q8 FP16 | 255 tok/s 173 tok/s 101 tok/s | ~215 ms ~217 ms ~221 ms | |
#189 | Qwen3-4B | 4B | INT4 Q8 FP16 | 292 tok/s 205 tok/s 124 tok/s | ~171 ms ~173 ms ~176 ms | |
#190 | DeepSeek-R1 8B | 8B | INT4 Q8 FP16 | 195 tok/s 124 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#191 | Llama 3 70B | 70B | INT4 | 29 tok/s | ~3.0s | |
#193 | Ministral 3 3B | 3B | INT4 Q8 FP16 | 244 tok/s 196 tok/s 133 tok/s | ~133 ms ~134 ms ~136 ms | |
#195 | Qwen3-14B | 14B | INT4 Q8 FP16 | 125 tok/s 76 tok/s 41 tok/s | ~570 ms ~575 ms ~586 ms | |
#196 | Kimi Linear 48B A3B Instruct | 48B (3B active) | INT4 | 106 tok/s | ~206 ms | |
#197 | Gemma 2 9B | 9B | INT4 Q8 FP16 | 175 tok/s 111 tok/s 62 tok/s | ~370 ms ~373 ms ~381 ms | |
#198 | Qwen2.5-7B | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
#199 | Qwen3-8B | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#200 | Gemma 3 4B | 4B | INT4 Q8 FP16 | 292 tok/s 205 tok/s 124 tok/s | ~171 ms ~173 ms ~176 ms | |
#201 | DeepSeek-R1 7B | 7B | INT4 Q8 FP16 | 213 tok/s 138 tok/s 78 tok/s | ~290 ms ~293 ms ~298 ms | |
#202 | Llama 3.1 8B | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#204 | Qwen3-1.7B | 1.7B | INT4 Q8 FP16 | 422 tok/s 335 tok/s 230 tok/s | ~79 ms ~80 ms ~81 ms | |
#205 | Command R | 35B | INT4 Q8 | 45 tok/s 26 tok/s | ~1.4s ~1.7s | |
#206 | Gemma 3 270M | 0.27B | INT4 Q8 FP16 | 576 tok/s 547 tok/s 489 tok/s | ~15 ms ~15 ms ~15 ms | |
#208 | Llama 3 8B | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#209 | Qwen3-0.6B | 0.6B | INT4 Q8 FP16 | 555 tok/s 495 tok/s 400 tok/s | ~30 ms ~30 ms ~31 ms | |
#210 | Phi-4-Mini | 3.8B | INT4 Q8 FP16 | 300 tok/s 212 tok/s 129 tok/s | ~163 ms ~165 ms ~168 ms | |
#211 | Mixtral-8x7B-v0.1 | 46.7B (7B active) | INT4 | 188 tok/s | ~336 ms | |
#212 | Ministral-8B-2410 | 8B | INT4 Q8 FP16 | 191 tok/s 123 tok/s 69 tok/s | ~330 ms ~333 ms ~339 ms | |
#213 | DeepSeek-R1 1.5B | 1.5B | INT4 Q8 FP16 | 440 tok/s 356 tok/s 249 tok/s | ~71 ms ~71 ms ~72 ms | |
#214 | Llama 3.2 3B | 3B | INT4 Q8 FP16 | 336 tok/s 246 tok/s 155 tok/s | ~132 ms ~133 ms ~135 ms | |
#215 | Qwen3.5-0.8B | 0.8B | INT4 Q8 FP16 | 523 tok/s 454 tok/s 352 tok/s | ~39 ms ~40 ms ~40 ms | |
#216 | Phi-3-mini | 3.8B | INT4 Q8 FP16 | 300 tok/s 212 tok/s 129 tok/s | ~163 ms ~165 ms ~168 ms | |
#217 | Gemma 3n E2B IT | 6B (2B active) | INT4 Q8 FP16 | 244 tok/s 213 tok/s 159 tok/s | ~100 ms ~100 ms ~102 ms | |
#218 | Mistral-7B-Instruct-v0.1 | 7.3B | INT4 Q8 FP16 | 203 tok/s 132 tok/s 74 tok/s | ~302 ms ~305 ms ~310 ms | |
#219 | Llama 3.2 1B | 1B | INT4 Q8 FP16 | 494 tok/s 419 tok/s 314 tok/s | ~49 ms ~50 ms ~50 ms | |
#220 | Gemma 2 2B | 2B | INT4 Q8 FP16 | 397 tok/s 308 tok/s 206 tok/s | ~92 ms ~93 ms ~95 ms | |
#221 | Phi-3-medium | 14B | INT4 Q8 FP16 | 125 tok/s 76 tok/s 41 tok/s | ~570 ms ~575 ms ~586 ms | |
#222 | OLMo 3 7B Instruct | 7B | INT4 Q8 FP16 | 155 tok/s 113 tok/s 69 tok/s | ~292 ms ~294 ms ~300 ms | |
#223 | Yi-34B | 34B | INT4 Q8 | 46 tok/s 27 tok/s | ~1.4s ~1.6s | |
#224 | Qwen2-7B | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
#225 | Phi-3-small | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
#226 | Gemma 3 1B | 1B | INT4 Q8 FP16 | 494 tok/s 419 tok/s 314 tok/s | ~49 ms ~50 ms ~50 ms | |
#227 | Mistral-7B-Instruct-v0.2 | 7.3B | INT4 Q8 FP16 | 203 tok/s 132 tok/s 74 tok/s | ~302 ms ~305 ms ~310 ms | |
#229 | Gemma 1 7B | 7B | INT4 Q8 FP16 | 155 tok/s 113 tok/s 69 tok/s | ~292 ms ~294 ms ~300 ms | |
#230 | Gemma 1 2B | 2B | INT4 Q8 FP16 | 415 tok/s 318 tok/s 211 tok/s | ~92 ms ~93 ms ~95 ms | |
#231 | ChatGLM3-6B | 6B | INT4 Q8 FP16 | 171 tok/s 126 tok/s 79 tok/s | ~252 ms ~254 ms ~259 ms | |
#232 | ChatGLM2-6B | 6B | INT4 Q8 FP16 | 171 tok/s 126 tok/s 79 tok/s | ~252 ms ~254 ms ~259 ms | |
#233 | ChatGLM-6B | 6B | INT4 Q8 FP16 | 171 tok/s 126 tok/s 79 tok/s | ~252 ms ~254 ms ~259 ms | |
未上榜模型（按推理速度排序） | ||||||
- | Qwen2-0.5B | 0.5B | INT4 Q8 FP16 | 571 tok/s 518 tok/s 429 tok/s | ~25 ms ~25 ms ~26 ms | |
- | Qwen2.5-0.5B | 0.5B | INT4 Q8 FP16 | 571 tok/s 518 tok/s 429 tok/s | ~25 ms ~25 ms ~26 ms | |
- | ERNIE-4.5-0.3B | 0.3B | INT4 Q8 FP16 | 565 tok/s 535 tok/s 474 tok/s | ~17 ms ~17 ms ~17 ms | |
- | ERNIE-4.5-0.3B-Base | 0.3B | INT4 Q8 FP16 | 565 tok/s 535 tok/s 474 tok/s | ~17 ms ~17 ms ~17 ms | |
- | Falcon-1B | 1B | INT4 Q8 FP16 | 511 tok/s 430 tok/s 320 tok/s | ~49 ms ~49 ms ~50 ms | |
- | Falcon3-1B | 1B | INT4 Q8 FP16 | 494 tok/s 419 tok/s 314 tok/s | ~49 ms ~50 ms ~50 ms | |
- | Qwen2-1.5B | 1.5B | INT4 Q8 FP16 | 440 tok/s 356 tok/s 249 tok/s | ~71 ms ~71 ms ~72 ms | |
- | Qwen2.5-1.5B | 1.5B | INT4 Q8 FP16 | 440 tok/s 356 tok/s 249 tok/s | ~71 ms ~71 ms ~72 ms | |
- | Spark X2.5 1.7B | 1.7B | INT4 Q8 FP16 | 422 tok/s 335 tok/s 230 tok/s | ~79 ms ~80 ms ~81 ms | |
- | Hy-MT2 1.8B | 1.8B | INT4 Q8 FP16 | 414 tok/s 326 tok/s 221 tok/s | ~83 ms ~84 ms ~86 ms | |
- | Falcon-3B | 3B | INT4 Q8 FP16 | 351 tok/s 253 tok/s 157 tok/s | ~131 ms ~133 ms ~135 ms | |
- | CroissantLLM Base | 1.3B | INT4 Q8 FP16 | 346 tok/s 303 tok/s 230 tok/s | ~63 ms ~63 ms ~64 ms | |
- | Phi-1 | 1.3B | INT4 Q8 FP16 | 346 tok/s 303 tok/s 230 tok/s | ~63 ms ~63 ms ~64 ms | |
- | Phi-1.5 | 1.3B | INT4 Q8 FP16 | 346 tok/s 303 tok/s 230 tok/s | ~63 ms ~63 ms ~64 ms | |
- | DeepSeek-R1 3B | 3B | INT4 Q8 FP16 | 340 tok/s 248 tok/s 155 tok/s | ~132 ms ~133 ms ~135 ms | |
- | Falcon3-3B | 3B | INT4 Q8 FP16 | 336 tok/s 246 tok/s 155 tok/s | ~132 ms ~133 ms ~135 ms | |
- | Qwen2.5-3B | 3B | INT4 Q8 FP16 | 336 tok/s 246 tok/s 155 tok/s | ~132 ms ~133 ms ~135 ms | |
- | ERNIE-4.5-21B-A3B | 21B (3B active) | INT4 Q8 | 303 tok/s 229 tok/s | ~160 ms ~161 ms | |
- | ERNIE-4.5-21B-A3B-Base | 21B (3B active) | INT4 Q8 | 303 tok/s 229 tok/s | ~160 ms ~161 ms | |
- | ERNIE-4.5-VL-28B-A3B | 28B (3B active) | INT4 Q8 | 294 tok/s 225 tok/s | ~169 ms ~170 ms | |
- | ERNIE-4.5-VL-28B-A3B-Base | 28B (3B active) | INT4 Q8 | 294 tok/s 225 tok/s | ~169 ms ~170 ms | |
- | Hy-MT2 30B A3B | 30B (3B active) | INT4 Q8 | 292 tok/s 212 tok/s | ~171 ms ~187 ms | |
- | Spark X2.5 4B | 4B | INT4 Q8 FP16 | 292 tok/s 205 tok/s 124 tok/s | ~171 ms ~173 ms ~176 ms | |
- | Phi-2 | 2.7B | INT4 Q8 FP16 | 254 tok/s 207 tok/s 143 tok/s | ~121 ms ~122 ms ~124 ms | |
- | MaLLaM-3B | 3B | INT4 Q8 FP16 | 244 tok/s 196 tok/s 133 tok/s | ~133 ms ~134 ms ~136 ms | |
- | SmolLM3 3B | 3B | INT4 Q8 FP16 | 244 tok/s 196 tok/s 133 tok/s | ~133 ms ~134 ms ~136 ms | |
- | Falcon-7B | 7B | INT4 Q8 FP16 | 217 tok/s 139 tok/s 78 tok/s | ~290 ms ~293 ms ~298 ms | |
- | Falcon3-7B | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
- | Hy-MT2 7B | 7B | INT4 Q8 FP16 | 209 tok/s 136 tok/s 77 tok/s | ~290 ms ~293 ms ~298 ms | |
- | Mistral-7B-v0.1 | 7.3B | INT4 Q8 FP16 | 203 tok/s 132 tok/s 74 tok/s | ~302 ms ~305 ms ~310 ms | |
- | LensVLM 9B | 9B | INT4 Q8 FP16 | 175 tok/s 111 tok/s 62 tok/s | ~370 ms ~373 ms ~381 ms | |
- | MiMo V2.6 Distill Qwen 9B | 9B | INT4 Q8 FP16 | 175 tok/s 111 tok/s 62 tok/s | ~370 ms ~373 ms ~381 ms | |
- | ChatGLM3-6B-32K | 6B | INT4 Q8 FP16 | 171 tok/s 126 tok/s 79 tok/s | ~252 ms ~254 ms ~259 ms | |
- | Yi-6B | 6B | INT4 Q8 FP16 | 171 tok/s 126 tok/s 79 tok/s | ~252 ms ~254 ms ~259 ms | |
- | Kimi-VL-A3B-Instruct | 16B (3B active) | INT4 Q8 FP16 | 163 tok/s 143 tok/s 101 tok/s | ~157 ms ~158 ms ~174 ms | |
- | Falcon3-10B | 10B | INT4 Q8 FP16 | 162 tok/s 102 tok/s 56 tok/s | ~410 ms ~413 ms ~421 ms | |
- | Falcon2-11B | 11B | INT4 Q8 FP16 | 157 tok/s 96 tok/s 52 tok/s | ~449 ms ~453 ms ~462 ms | |
- | Hunyuan Lite | 7B | INT4 Q8 FP16 | 155 tok/s 113 tok/s 69 tok/s | ~292 ms ~294 ms ~300 ms | |
- | OLMo 3 7B Base | 7B | INT4 Q8 FP16 | 155 tok/s 113 tok/s 69 tok/s | ~292 ms ~294 ms ~300 ms | |
- | SEA-LION-7B | 7.1B | INT4 Q8 FP16 | 154 tok/s 112 tok/s 68 tok/s | ~296 ms ~298 ms ~304 ms | |
- | SEA-LION-7B-Instruct | 7.1B | INT4 Q8 FP16 | 154 tok/s 112 tok/s 68 tok/s | ~296 ms ~298 ms ~304 ms | |
- | Sahabat-AI-Llama3-8B-Instruct | 8B | INT4 Q8 FP16 | 143 tok/s 102 tok/s 62 tok/s | ~332 ms ~334 ms ~341 ms | |
- | Typhoon-2-8B | 8B | INT4 Q8 FP16 | 143 tok/s 102 tok/s 62 tok/s | ~332 ms ~334 ms ~341 ms | |
- | GLM-4-9B | 9B | INT4 Q8 FP16 | 131 tok/s 93 tok/s 56 tok/s | ~372 ms ~375 ms ~382 ms | |
- | GLM-4-9B-Chat | 9B | INT4 Q8 FP16 | 131 tok/s 93 tok/s 56 tok/s | ~372 ms ~375 ms ~382 ms | |
- | GLM-4-9B-Chat-1M | 9B | INT4 Q8 FP16 | 131 tok/s 93 tok/s 56 tok/s | ~372 ms ~375 ms ~382 ms | |
- | Yi-9B | 9B | INT4 Q8 FP16 | 131 tok/s 93 tok/s 56 tok/s | ~372 ms ~375 ms ~382 ms | |
- | Sahabat-AI-Gemma2-9B | 9.2B | INT4 Q8 FP16 | 129 tok/s 91 tok/s 54 tok/s | ~380 ms ~383 ms ~390 ms | |
- | Sahabat-AI-Gemma2-9B-Instruct | 9.2B | INT4 Q8 FP16 | 129 tok/s 91 tok/s 54 tok/s | ~380 ms ~383 ms ~390 ms | |
- | GreenMind-14B-R1 | 14B | INT4 Q8 FP16 | 93 tok/s 64 tok/s 35 tok/s | ~572 ms ~577 ms ~639 ms | |
- | Falcon-40B | 40B | INT4 Q8 | 52 tok/s 27 tok/s | ~1.6s ~1.9s | |
推理能力评估
不同量化精度下可运行的最大模型参数级别。
上下文长度:
4位量化
32B 模型
8位精度
32B 模型
16位全精度
14B 模型
微调能力评估
本地模型训练与适配器微调支持能力。
微调上下文:
QLoRA
32B 模型
LoRA
14B 模型
全参数微调
3B 模型
负载与选型建议
NVIDIA A100 (40GB) 上的最佳量化精度与运行规格建议。
最佳推理区间
适合在全精度或 Q8 精度下运行 14B 模型，以及在 Q4 精度下搭配最高 32k 上下文运行 32B 模型。
显存带宽与推理速率
具备 1555 GB/s 聚合带宽，单批次推理处于显存带宽受限模式。8B Q4 模型预估生成速度约 346 tok/s，70B Q4 模型预估生成速度约 41 tok/s。