趋近智
NVIDIA A40 (48GB)
NVIDIA A40 (48GB) 配备 48 GB 专用显存与 696 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
48 GB
可用显存上限
48 GB
显存带宽
696 GB/s
最大推理模型级别
32B 模型 (Q4)
热设计功耗
300W
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 A40 (48GB) 最佳运行大模型与速度矩阵
主流开源大模型在 NVIDIA A40 (48GB) 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 | 34 tok/s 20 tok/s | ~2.2s ~2.3s | |
#48 | Agnes 3.0 Flash | 33B | INT4 Q8 | 28 tok/s 16 tok/s | ~2.7s ~2.8s | |
#72 | K2 Horizon MoVA 36B A4B | 36B (4B active) | INT4 Q8 | 145 tok/s 99 tok/s | ~442 ms ~445 ms | |
#83 | Qwen3.5-27B | 27B | INT4 Q8 | 34 tok/s 20 tok/s | ~2.2s ~2.3s | |
#92 | Sarvam-30B | 32B (2.4B active) | INT4 Q8 | 190 tok/s 141 tok/s | ~309 ms ~310 ms | |
#94 | Qwen3.6 35B A3B | 35B (3B active) | INT4 Q8 | 170 tok/s 121 tok/s | ~360 ms ~362 ms | |
#96 | Muse Glimmer 30B | 30B | INT4 Q8 | 31 tok/s 18 tok/s | ~2.5s ~2.5s | |
#100 | Phi-4 Reasoning Plus | 14B | INT4 Q8 FP16 | 45 tok/s 30 tok/s 17 tok/s | ~1.2s ~1.2s ~1.2s | |
#101 | MiMo V2 Flash | 15B (309B active) | INT4 Q8 FP16 | 3 tok/s 2 tok/s 1 tok/s | ~24.6s ~24.8s ~25.4s | |
#108 | Gemma 4 26B A4B | 25.2B (3.8B active) | INT4 Q8 | 155 tok/s 106 tok/s | ~404 ms ~407 ms | |
#109 | Gemma 4 12B | 11.95B | INT4 Q8 FP16 | 52 tok/s 35 tok/s 20 tok/s | ~1.0s ~1.0s ~1.0s | |
#113 | Qwen3.5-9B | 9B | INT4 Q8 FP16 | 92 tok/s 55 tok/s 29 tok/s | ~767 ms ~774 ms ~791 ms | |
#114 | Qwen3.5-35B-A3B | 35B (3B active) | INT4 Q8 | 170 tok/s 121 tok/s | ~360 ms ~362 ms | |
#118 | K2 Horizon 7B | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
#128 | NVIDIA Nemotron 3 Nano 30B-A3B | 3.5B (30B active) | INT4 Q8 FP16 | 30 tok/s 17 tok/s 9 tok/s | ~2.4s ~2.4s ~2.5s | |
#129 | Gemma 4 31B | 30.7B | INT4 Q8 | 30 tok/s 17 tok/s | ~2.5s ~2.6s | |
#131 | Nemotron 3.5 Lightning | 30B (3B active) | INT4 Q8 | 65 tok/s 59 tok/s | ~362 ms ~364 ms | |
#132 | Qwen3.5-4B | 4B | INT4 Q8 FP16 | 172 tok/s 110 tok/s 62 tok/s | ~353 ms ~356 ms ~363 ms | |
#133 | Qwen3-30B-A3B | 30B (3B active) | INT4 Q8 | 172 tok/s 123 tok/s | ~353 ms ~355 ms | |
#136 | GPT-OSS 20B | 21B (3.6B active) | INT4 Q8 FP16 | 72 tok/s 62 tok/s 40 tok/s | ~386 ms ~388 ms ~462 ms | |
#146 | Granite 4.2 8B | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#150 | Gemma 4 E4B | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#151 | Nemotron 3.5 Lightning 30B A3B | 30B (3B active) | INT4 Q8 | 172 tok/s 123 tok/s | ~353 ms ~355 ms | |
#153 | Qwen3-32B | 32B | INT4 Q8 | 29 tok/s 17 tok/s | ~2.7s ~2.7s | |
#154 | Qwen2.5-72B | 72B | INT4 | 13 tok/s | ~6.4s | |
#155 | Mistral Large 3 | 41B (675B active) | INT4 | 1 tok/s | ~53.6s | |
#156 | GLM-4 | 32B | INT4 Q8 | 23 tok/s 14 tok/s | ~2.7s ~2.9s | |
#157 | DeepSeek-R1 70B | 70B | INT4 | 14 tok/s | ~5.8s | |
#158 | GLM-4V | 9B | INT4 Q8 FP16 | 66 tok/s 45 tok/s 26 tok/s | ~772 ms ~778 ms ~795 ms | |
#159 | Gemma 3 27B | 27B | INT4 Q8 | 34 tok/s 20 tok/s | ~2.2s ~2.3s | |
#160 | Phi-4 | 14B | INT4 Q8 FP16 | 62 tok/s 36 tok/s 19 tok/s | ~1.2s ~1.2s ~1.2s | |
#161 | Llama 3.3 70B | 70B | INT4 | 14 tok/s | ~5.8s | |
#162 | DeepSeek-R1 32B | 32B | INT4 Q8 | 30 tok/s 17 tok/s | ~2.7s ~2.7s | |
#163 | Hunyuan Standard | 52B (389B active) | INT4 | 3 tok/s | ~31.0s | |
#164 | Qwen2.5-32B | 32B | INT4 Q8 | 29 tok/s 17 tok/s | ~2.7s ~2.7s | |
#168 | Magistral Small | 24B | INT4 Q8 | 29 tok/s 19 tok/s | ~2.0s ~2.0s | |
#169 | OLMo 3 7B Think | 7B | INT4 Q8 FP16 | 80 tok/s 56 tok/s 33 tok/s | ~604 ms ~610 ms ~622 ms | |
#170 | OLMo 3.1 32B Instruct | 32B | INT4 Q8 | 23 tok/s 14 tok/s | ~2.7s ~2.9s | |
#171 | Llama 3.1 70B | 70B | INT4 | 14 tok/s | ~5.8s | |
#172 | DeepSeek-R1 14B | 14B | INT4 Q8 FP16 | 64 tok/s 37 tok/s 19 tok/s | ~1.2s ~1.2s ~1.2s | |
#173 | Ministral 3 14B | 14B | INT4 Q8 FP16 | 45 tok/s 30 tok/s 17 tok/s | ~1.2s ~1.2s ~1.2s | |
#177 | Gemma 3 12B | 12B | INT4 Q8 FP16 | 72 tok/s 42 tok/s 22 tok/s | ~1.0s ~1.0s ~1.0s | |
#179 | Qwen2-72B | 72B | INT4 | 13 tok/s | ~6.4s | |
#180 | OLMo 3 32B Base | 32B | INT4 Q8 | 23 tok/s 14 tok/s | ~2.7s ~2.9s | |
#181 | Mistral-Small-2501 | 24B | INT4 Q8 FP16 | 38 tok/s 22 tok/s 10 tok/s | ~2.0s ~2.0s ~2.4s | |
#182 | Ministral 3 8B | 8B | INT4 Q8 FP16 | 72 tok/s 50 tok/s 29 tok/s | ~687 ms ~693 ms ~708 ms | |
#183 | Qwen3.5-2B | 2B | INT4 Q8 FP16 | 265 tok/s 185 tok/s 111 tok/s | ~189 ms ~190 ms ~194 ms | |
#184 | MiniCPM5-2B | 2B | INT4 Q8 FP16 | 265 tok/s 185 tok/s 111 tok/s | ~189 ms ~190 ms ~194 ms | |
#185 | Qwen2.5-14B | 14B | INT4 Q8 FP16 | 62 tok/s 36 tok/s 19 tok/s | ~1.2s ~1.2s ~1.2s | |
#186 | Gemma 2 27B | 27B | INT4 Q8 | 34 tok/s 20 tok/s | ~2.2s ~2.3s | |
#187 | OLMo 3.1 32B Think | 32B | INT4 Q8 | 23 tok/s 14 tok/s | ~2.7s ~2.9s | |
#188 | Gemma 4 E2B | 5.1B | INT4 Q8 FP16 | 144 tok/s 90 tok/s 49 tok/s | ~444 ms ~448 ms ~457 ms | |
#189 | Qwen3-4B | 4B | INT4 Q8 FP16 | 172 tok/s 110 tok/s 62 tok/s | ~353 ms ~356 ms ~363 ms | |
#190 | DeepSeek-R1 8B | 8B | INT4 Q8 FP16 | 104 tok/s 62 tok/s 33 tok/s | ~683 ms ~689 ms ~704 ms | |
#191 | Llama 3 70B | 70B | INT4 | 14 tok/s | ~5.8s | |
#193 | Ministral 3 3B | 3B | INT4 Q8 FP16 | 137 tok/s 105 tok/s 67 tok/s | ~273 ms ~275 ms ~281 ms | |
#195 | Qwen3-14B | 14B | INT4 Q8 FP16 | 62 tok/s 36 tok/s 19 tok/s | ~1.2s ~1.2s ~1.2s | |
#196 | Kimi Linear 48B A3B Instruct | 48B (3B active) | INT4 | 55 tok/s | ~393 ms | |
#197 | Gemma 2 9B | 9B | INT4 Q8 FP16 | 92 tok/s 55 tok/s 29 tok/s | ~767 ms ~774 ms ~791 ms | |
#198 | Qwen2.5-7B | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
#199 | Qwen3-8B | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#200 | Gemma 3 4B | 4B | INT4 Q8 FP16 | 172 tok/s 110 tok/s 62 tok/s | ~353 ms ~356 ms ~363 ms | |
#201 | DeepSeek-R1 7B | 7B | INT4 Q8 FP16 | 116 tok/s 70 tok/s 37 tok/s | ~600 ms ~606 ms ~619 ms | |
#202 | Llama 3.1 8B | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#204 | Qwen3-1.7B | 1.7B | INT4 Q8 FP16 | 290 tok/s 208 tok/s 127 tok/s | ~162 ms ~163 ms ~166 ms | |
#205 | Command R | 35B | INT4 Q8 | 21 tok/s 13 tok/s | ~2.9s ~3.2s | |
#206 | Gemma 3 270M | 0.27B | INT4 Q8 FP16 | 493 tok/s 448 tok/s 368 tok/s | ~28 ms ~28 ms ~29 ms | |
#208 | Llama 3 8B | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#209 | Qwen3-0.6B | 0.6B | INT4 Q8 FP16 | 459 tok/s 376 tok/s 267 tok/s | ~59 ms ~59 ms ~60 ms | |
#210 | Phi-4-Mini | 3.8B | INT4 Q8 FP16 | 179 tok/s 115 tok/s 64 tok/s | ~337 ms ~340 ms ~346 ms | |
#211 | Mixtral-8x7B-v0.1 | 46.7B (7B active) | INT4 Q8 | 100 tok/s 58 tok/s | ~697 ms ~825 ms | |
#212 | Ministral-8B-2410 | 8B | INT4 Q8 FP16 | 101 tok/s 61 tok/s 33 tok/s | ~683 ms ~690 ms ~704 ms | |
#213 | DeepSeek-R1 1.5B | 1.5B | INT4 Q8 FP16 | 310 tok/s 226 tok/s 140 tok/s | ~143 ms ~144 ms ~147 ms | |
#214 | Llama 3.2 3B | 3B | INT4 Q8 FP16 | 209 tok/s 139 tok/s 79 tok/s | ~270 ms ~273 ms ~278 ms | |
#215 | Qwen3.5-0.8B | 0.8B | INT4 Q8 FP16 | 413 tok/s 326 tok/s 222 tok/s | ~78 ms ~79 ms ~80 ms | |
#216 | Phi-3-mini | 3.8B | INT4 Q8 FP16 | 179 tok/s 115 tok/s 64 tok/s | ~337 ms ~340 ms ~346 ms | |
#217 | Gemma 3n E2B IT | 6B (2B active) | INT4 Q8 FP16 | 137 tok/s 116 tok/s 82 tok/s | ~205 ms ~206 ms ~209 ms | |
#218 | Mistral-7B-Instruct-v0.1 | 7.3B | INT4 Q8 FP16 | 109 tok/s 66 tok/s 35 tok/s | ~625 ms ~631 ms ~644 ms | |
#219 | Llama 3.2 1B | 1B | INT4 Q8 FP16 | 374 tok/s 288 tok/s 190 tok/s | ~99 ms ~100 ms ~101 ms | |
#220 | Gemma 2 2B | 2B | INT4 Q8 FP16 | 265 tok/s 185 tok/s 111 tok/s | ~189 ms ~190 ms ~194 ms | |
#221 | Phi-3-medium | 14B | INT4 Q8 FP16 | 62 tok/s 36 tok/s 19 tok/s | ~1.2s ~1.2s ~1.2s | |
#222 | OLMo 3 7B Instruct | 7B | INT4 Q8 FP16 | 80 tok/s 56 tok/s 33 tok/s | ~604 ms ~610 ms ~622 ms | |
#223 | Yi-34B | 34B | INT4 Q8 | 22 tok/s 13 tok/s | ~2.8s ~3.1s | |
#224 | Qwen2-7B | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
#225 | Phi-3-small | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
#226 | Gemma 3 1B | 1B | INT4 Q8 FP16 | 374 tok/s 288 tok/s 190 tok/s | ~99 ms ~100 ms ~101 ms | |
#227 | Mistral-7B-Instruct-v0.2 | 7.3B | INT4 Q8 FP16 | 109 tok/s 66 tok/s 35 tok/s | ~625 ms ~631 ms ~644 ms | |
#229 | Gemma 1 7B | 7B | INT4 Q8 FP16 | 80 tok/s 56 tok/s 33 tok/s | ~604 ms ~610 ms ~622 ms | |
#230 | Gemma 1 2B | 2B | INT4 Q8 FP16 | 283 tok/s 194 tok/s 114 tok/s | ~188 ms ~190 ms ~194 ms | |
#231 | ChatGLM3-6B | 6B | INT4 Q8 FP16 | 89 tok/s 63 tok/s 38 tok/s | ~522 ms ~526 ms ~537 ms | |
#232 | ChatGLM2-6B | 6B | INT4 Q8 FP16 | 89 tok/s 63 tok/s 38 tok/s | ~522 ms ~526 ms ~537 ms | |
#233 | ChatGLM-6B | 6B | INT4 Q8 FP16 | 89 tok/s 63 tok/s 38 tok/s | ~522 ms ~526 ms ~537 ms | |
未上榜模型（按推理速度排序） | ||||||
- | Qwen2-0.5B | 0.5B | INT4 Q8 FP16 | 486 tok/s 406 tok/s 297 tok/s | ~49 ms ~49 ms ~50 ms | |
- | Qwen2.5-0.5B | 0.5B | INT4 Q8 FP16 | 486 tok/s 406 tok/s 297 tok/s | ~49 ms ~49 ms ~50 ms | |
- | ERNIE-4.5-0.3B | 0.3B | INT4 Q8 FP16 | 475 tok/s 430 tok/s 349 tok/s | ~31 ms ~31 ms ~31 ms | |
- | ERNIE-4.5-0.3B-Base | 0.3B | INT4 Q8 FP16 | 475 tok/s 430 tok/s 349 tok/s | ~31 ms ~31 ms ~31 ms | |
- | Falcon-1B | 1B | INT4 Q8 FP16 | 396 tok/s 299 tok/s 195 tok/s | ~99 ms ~99 ms ~101 ms | |
- | Falcon3-1B | 1B | INT4 Q8 FP16 | 374 tok/s 288 tok/s 190 tok/s | ~99 ms ~100 ms ~101 ms | |
- | Qwen2-1.5B | 1.5B | INT4 Q8 FP16 | 310 tok/s 226 tok/s 140 tok/s | ~143 ms ~144 ms ~147 ms | |
- | Qwen2.5-1.5B | 1.5B | INT4 Q8 FP16 | 310 tok/s 226 tok/s 140 tok/s | ~143 ms ~144 ms ~147 ms | |
- | Spark X2.5 1.7B | 1.7B | INT4 Q8 FP16 | 290 tok/s 208 tok/s 127 tok/s | ~162 ms ~163 ms ~166 ms | |
- | Hy-MT2 1.8B | 1.8B | INT4 Q8 FP16 | 282 tok/s 200 tok/s 121 tok/s | ~170 ms ~172 ms ~175 ms | |
- | Falcon-3B | 3B | INT4 Q8 FP16 | 221 tok/s 144 tok/s 81 tok/s | ~270 ms ~273 ms ~278 ms | |
- | CroissantLLM Base | 1.3B | INT4 Q8 FP16 | 217 tok/s 181 tok/s 127 tok/s | ~127 ms ~128 ms ~130 ms | |
- | Phi-1 | 1.3B | INT4 Q8 FP16 | 217 tok/s 181 tok/s 127 tok/s | ~127 ms ~128 ms ~130 ms | |
- | Phi-1.5 | 1.3B | INT4 Q8 FP16 | 217 tok/s 181 tok/s 127 tok/s | ~127 ms ~128 ms ~130 ms | |
- | DeepSeek-R1 3B | 3B | INT4 Q8 FP16 | 212 tok/s 140 tok/s 80 tok/s | ~270 ms ~273 ms ~278 ms | |
- | Falcon3-3B | 3B | INT4 Q8 FP16 | 209 tok/s 139 tok/s 79 tok/s | ~270 ms ~273 ms ~278 ms | |
- | Qwen2.5-3B | 3B | INT4 Q8 FP16 | 209 tok/s 139 tok/s 79 tok/s | ~270 ms ~273 ms ~278 ms | |
- | ERNIE-4.5-21B-A3B | 21B (3B active) | INT4 Q8 FP16 | 181 tok/s 127 tok/s 72 tok/s | ~330 ms ~333 ms ~367 ms | |
- | ERNIE-4.5-21B-A3B-Base | 21B (3B active) | INT4 Q8 FP16 | 181 tok/s 127 tok/s 72 tok/s | ~330 ms ~333 ms ~367 ms | |
- | ERNIE-4.5-VL-28B-A3B | 28B (3B active) | INT4 Q8 | 174 tok/s 124 tok/s | ~347 ms ~350 ms | |
- | ERNIE-4.5-VL-28B-A3B-Base | 28B (3B active) | INT4 Q8 | 174 tok/s 124 tok/s | ~347 ms ~350 ms | |
- | Hy-MT2 30B A3B | 30B (3B active) | INT4 Q8 | 172 tok/s 123 tok/s | ~353 ms ~355 ms | |
- | Spark X2.5 4B | 4B | INT4 Q8 FP16 | 172 tok/s 110 tok/s 62 tok/s | ~353 ms ~356 ms ~363 ms | |
- | Phi-2 | 2.7B | INT4 Q8 FP16 | 144 tok/s 112 tok/s 73 tok/s | ~248 ms ~250 ms ~255 ms | |
- | MaLLaM-3B | 3B | INT4 Q8 FP16 | 137 tok/s 105 tok/s 67 tok/s | ~273 ms ~275 ms ~281 ms | |
- | SmolLM3 3B | 3B | INT4 Q8 FP16 | 137 tok/s 105 tok/s 67 tok/s | ~273 ms ~275 ms ~281 ms | |
- | AliceAI Foundation 80B A3B Base | 80B (3B active) | INT4 | 128 tok/s | ~525 ms | |
- | Falcon-7B | 7B | INT4 Q8 FP16 | 118 tok/s 70 tok/s 37 tok/s | ~600 ms ~606 ms ~619 ms | |
- | Falcon3-7B | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
- | Hy-MT2 7B | 7B | INT4 Q8 FP16 | 113 tok/s 69 tok/s 37 tok/s | ~601 ms ~606 ms ~619 ms | |
- | Mistral-7B-v0.1 | 7.3B | INT4 Q8 FP16 | 109 tok/s 66 tok/s 35 tok/s | ~625 ms ~631 ms ~644 ms | |
- | LensVLM 9B | 9B | INT4 Q8 FP16 | 92 tok/s 55 tok/s 29 tok/s | ~767 ms ~774 ms ~791 ms | |
- | MiMo V2.6 Distill Qwen 9B | 9B | INT4 Q8 FP16 | 92 tok/s 55 tok/s 29 tok/s | ~767 ms ~774 ms ~791 ms | |
- | ChatGLM3-6B-32K | 6B | INT4 Q8 FP16 | 89 tok/s 63 tok/s 38 tok/s | ~522 ms ~526 ms ~537 ms | |
- | Yi-6B | 6B | INT4 Q8 FP16 | 89 tok/s 63 tok/s 38 tok/s | ~522 ms ~526 ms ~537 ms | |
- | Falcon3-10B | 10B | INT4 Q8 FP16 | 84 tok/s 50 tok/s 26 tok/s | ~850 ms ~858 ms ~876 ms | |
- | Kimi-VL-A3B-Instruct | 16B (3B active) | INT4 Q8 FP16 | 84 tok/s 73 tok/s 52 tok/s | ~323 ms ~325 ms ~331 ms | |
- | Falcon2-11B | 11B | INT4 Q8 FP16 | 81 tok/s 47 tok/s 24 tok/s | ~932 ms ~941 ms ~961 ms | |
- | Hunyuan Lite | 7B | INT4 Q8 FP16 | 80 tok/s 56 tok/s 33 tok/s | ~604 ms ~610 ms ~622 ms | |
- | OLMo 3 7B Base | 7B | INT4 Q8 FP16 | 80 tok/s 56 tok/s 33 tok/s | ~604 ms ~610 ms ~622 ms | |
- | SEA-LION-7B | 7.1B | INT4 Q8 FP16 | 79 tok/s 55 tok/s 32 tok/s | ~612 ms ~618 ms ~631 ms | |
- | SEA-LION-7B-Instruct | 7.1B | INT4 Q8 FP16 | 79 tok/s 55 tok/s 32 tok/s | ~612 ms ~618 ms ~631 ms | |
- | Sahabat-AI-Llama3-8B-Instruct | 8B | INT4 Q8 FP16 | 72 tok/s 50 tok/s 29 tok/s | ~687 ms ~693 ms ~708 ms | |
- | Typhoon-2-8B | 8B | INT4 Q8 FP16 | 72 tok/s 50 tok/s 29 tok/s | ~687 ms ~693 ms ~708 ms | |
- | GLM-4-9B | 9B | INT4 Q8 FP16 | 66 tok/s 45 tok/s 26 tok/s | ~772 ms ~778 ms ~795 ms | |
- | GLM-4-9B-Chat | 9B | INT4 Q8 FP16 | 66 tok/s 45 tok/s 26 tok/s | ~772 ms ~778 ms ~795 ms | |
- | GLM-4-9B-Chat-1M | 9B | INT4 Q8 FP16 | 66 tok/s 45 tok/s 26 tok/s | ~772 ms ~778 ms ~795 ms | |
- | Yi-9B | 9B | INT4 Q8 FP16 | 66 tok/s 45 tok/s 26 tok/s | ~772 ms ~778 ms ~795 ms | |
- | Sahabat-AI-Gemma2-9B | 9.2B | INT4 Q8 FP16 | 65 tok/s 44 tok/s 26 tok/s | ~788 ms ~795 ms ~811 ms | |
- | Sahabat-AI-Gemma2-9B-Instruct | 9.2B | INT4 Q8 FP16 | 65 tok/s 44 tok/s 26 tok/s | ~788 ms ~795 ms ~811 ms | |
- | GreenMind-14B-R1 | 14B | INT4 Q8 FP16 | 45 tok/s 30 tok/s 17 tok/s | ~1.2s ~1.2s ~1.2s | |
- | Falcon-40B | 40B | INT4 Q8 | 24 tok/s 13 tok/s | ~3.3s ~3.6s | |
- | Kimi-Dev-72B | 72B | INT4 | 10 tok/s | ~7.0s | |
- | Typhoon-2-70B | 70B | INT4 | 10 tok/s | ~6.8s | |
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
7B-8B 模型
负载与选型建议
NVIDIA A40 (48GB) 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 696 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 155 tok/s，70B Q4 模型预估生成速度约 18 tok/s。