NVIDIA A100 SXM4 (80 GB HBM2e) — Lauffähige Modelle, maximaler Kontext & tok/s-Richtwerte

Physischer Speicher: 80 GB
Default / Tuned Usable: 73.6 / 76.8 GB
Speicherbandbreite: 2,039 GB/s
FP16-Rechenleistung: 312 TFLOPS
Typischer Cloud-$/Std. / CapEx: $1.49/hr · $14,500
TDP / Native FP8: 400W · FP16/INT4

Im VRAM-Rechner öffnen → vLLM- / Ollama-Config erzeugen → Eigene GPU vs. API vergleichen →

Interaktiver Workload-Simulator auf NVIDIA A100 80GB

Open-Weight-Modellvorlage (oder benutzerdefiniert)

Multi-Device-Anzahl (1× bis 8× NVIDIA A100 80GB)

Gewichtsquantisierung (bpw)

KV-Cache-Präzision

Kontextlänge (Tokens) 32,768 Tokens

Speicheraufschlüsselung & Bandbreitenlimit

Passt komfortabel

Modellgewichte: 76% KV: 19.1% Overhead: 4.9%

Gesamter Speicherbedarf

52.45 GB

Belegung pro Gerät: 52.45 / 80 GB

Modellgewichte

39.86 GB

KV: 10.00 GB

Gesch. Einzelstream-Decode

25.2 tok/s

Gesch. Batch-Durchsatz: 25.2 tok/s

Max. Kontext vor OOM

114,335

Tokens

Automatisch kompilierte Parameter-Schutzregeln

Tensorparallelität verteilt Attention-Heads und MLP-Matrizen über NVLink- oder PCIe-GPUs; daher muss --tensor-parallel-size die Anzahl der Query- und KV-Heads ganzzahlig teilen und zugleich Spielraum für NCCL-All-Reduce-Puffer sowie CUDA-Graph-Erfassung lassen.

Bei der autoregressiven Einzel-Stream-Generierung müssen für jedes ausgegebene Token die aktiven Modellgewichte aus dem VRAM in die Recheneinheiten gelesen werden. Eine Verdopplung der Speicherbandbreite (etwa von 546 GB/s auf 1,792 GB/s mit GDDR7 oder 3,350 GB/s mit HBM3) verdoppelt bei gleicher Quantisierung nahezu die tok/s-Rate.

Open-Weight-LLM-Kompatibilitätsmatrix auf 1× NVIDIA A100 80GB (32K Kontext)

Passstatus und geschätzte Einzelstream-Decode-Rate in tok/s für FP16, Q8_0 und Q4_K_M auf einem einzelnen Gerät
Modell & Familie	FP16	Q8_0	Q4_K_M	Beste komfortable Quant.	Max. Kontext (Q4_K_M)	Decode-Tempo (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Passt komfortabel	Q6_K	114,335 Tokens	25.2 tok/s
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	Knapp (>90 % nutzbar)	Passt komfortabel	Passt komfortabel	Q8_0	232,960 Tokens	47.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	635,837 Tokens	258.7 tok/s
Qwen3-32B 32.8B · GQA	Knapp (>90 % nutzbar)	Passt komfortabel	Passt komfortabel	Q8_0	232,960 Tokens	47.4 tok/s
Qwen3-14B 14.8B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	441,339 Tokens	94.2 tok/s
Qwen3-8B 8.2B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	518,326 Tokens	137.8 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	Knapp (>90 % nutzbar)	Passt komfortabel	Passt komfortabel	Q8_0	232,960 Tokens	47.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	Knapp (>90 % nutzbar)	Passt komfortabel	Passt komfortabel	Q8_0	232,960 Tokens	47.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Passt komfortabel	Q6_K	110,333 Tokens	24.6 tok/s
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Knapp (>90 % nutzbar)	IQ4_XS	68,598 Tokens	102.0 tok/s
Llama 3.3 70B Instruct 70.6B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Passt komfortabel	Q6_K	114,335 Tokens	25.2 tok/s
Llama 3.1 405B Instruct 405B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	583,926 Tokens	147.4 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	126,876 Tokens	68.4 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	188,020 Tokens	136.7 tok/s
Mistral Small 3.1 (24B) 24B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	406,275 Tokens	67.8 tok/s
Mistral Large 2411 (123B) 123B · GQA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	—	13,163 Tokens	—
Codestral 22B 22.2B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	295,097 Tokens	64.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	407,800 Tokens	68.6 tok/s
GLM-4-32B-0414 32B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	985,666 Tokens	63.0 tok/s
GLM-4-9B-0414 9.4B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	1,048,576 Tokens	191.8 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	353,376 Tokens	86.5 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	Passt komfortabel	Passt komfortabel	Passt komfortabel	FP16 / BF16	603,888 Tokens	203.9 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	Zu wenig Speicher (OOM)	Zu wenig Speicher (OOM)	Knapp (>90 % nutzbar)	IQ4_XS	46,684 Tokens	19.2 tok/s