NVIDIA GeForce RTX 5090 (32 GB GDDR7) — Modelos compatibles, contexto máximo y rendimiento en tok/s

Memoria física: 32 GB
Default / Tuned Usable: 29.4 / 30.7 GB
Ancho de banda de memoria: 1,792 GB/s
Cómputo FP16: 209.5 TFLOPS
Tarifa nube típica $/h / CapEx: $0.79/hr · $2,199
TDP / Native FP8: 575W · FP8 Yes

Cargar en la calculadora de VRAM → Generar config de vLLM / Ollama → Comparar GPU propia vs API →

Simulador interactivo de cargas de trabajo en RTX 5090 32GB

Modelo predefinido de pesos abiertos (o personalizado)

Cantidad multidispositivo (1× a 8× RTX 5090 32GB)

Cuantización de pesos (bpw)

Precisión de caché KV

Longitud de contexto (tokens) 32,768 tokens

Desglose de memoria y techo de ancho de banda

Cabe con holgura

Pesos del modelo: 79.2% KV: 13.8% Overhead: 7%

Memoria total requerida

21.75 GB

Asignación por dispositivo: 21.75 / 32 GB

Pesos del modelo

17.22 GB

KV: 3.00 GB

Decodificación estimada (1 flujo)

214.7 tok/s

Rendimiento estimado por lotes: 214.7 tok/s

Contexto máx. antes de OOM

132,520

tokens

Salvaguardas clave de parámetros compiladas automáticamente

El paralelismo de tensores divide las cabezas de atención y las matrices MLP entre dispositivos NVLink o PCIe, por lo que --tensor-parallel-size debe dividir exactamente el número de cabezas de consulta y KV dejando margen para los búferes all-reduce de NCCL y la captura de grafos CUDA.

Durante la generación autorregresiva de un solo usuario, cada token de salida exige leer los pesos activos del modelo desde la VRAM hacia los núcleos de cómputo. Duplicar el ancho de banda de memoria (por ejemplo, pasar de 546 GB/s a 1,792 GB/s en GDDR7 o 3,350 GB/s en HBM3) prácticamente duplica los tok/s con idéntica cuantización.

Matriz de compatibilidad de LLM de pesos abiertos en 1× RTX 5090 32GB (contexto 32K)

Estado de ajuste y tok/s estimados de decodificación de flujo único en FP16, Q8_0 y Q4_K_M sobre un solo dispositivo
Modelo y familia	FP16	Q8_0	Q4_K_M	Mejor cuantización holgada	Contexto máx. (Q4_K_M)	Velocidad decod. (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Q4_K_M	44,216 tokens	39.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Cabe con holgura	Q5_K_M	132,520 tokens	214.7 tok/s
Qwen3-32B 32.8B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Q4_K_M	44,216 tokens	39.4 tok/s
Qwen3-14B 14.8B · GQA	Memoria insuficiente (OOM)	Cabe con holgura	Cabe con holgura	FP8	139,349 tokens	78.2 tok/s
Qwen3-8B 8.2B · GQA	Cabe con holgura	Cabe con holgura	Cabe con holgura	FP16 / BF16	182,781 tokens	114.4 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Q4_K_M	44,216 tokens	39.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Q4_K_M	44,216 tokens	39.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Llama 3.3 70B Instruct 70.6B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Llama 3.1 405B Instruct 405B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	Cabe con holgura	Cabe con holgura	Cabe con holgura	FP16 / BF16	206,439 tokens	122.3 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Cabe con holgura	Q6_K	29,460 tokens	56.8 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	Ajustado (>90 % útil)	Cabe con holgura	Cabe con holgura	FP16 / BF16	62,191 tokens	113.5 tok/s
Mistral Small 3.1 (24B) 24B · GQA	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Cabe con holgura	Q6_K	104,285 tokens	56.3 tok/s
Mistral Large 2411 (123B) 123B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—
Codestral 22B 22.2B · GQA	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Cabe con holgura	Q6_K	79,389 tokens	53.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	Memoria insuficiente (OOM)	Ajustado (>90 % útil)	Cabe con holgura	Q6_K	105,810 tokens	57.0 tok/s
GLM-4-32B-0414 32B · GQA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Cabe con holgura	Q5_K_M	193,562 tokens	52.3 tok/s
GLM-4-9B-0414 9.4B · GQA	Cabe con holgura	Cabe con holgura	Cabe con holgura	FP16 / BF16	639,720 tokens	159.2 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	Memoria insuficiente (OOM)	Cabe con holgura	Cabe con holgura	FP8	111,784 tokens	71.8 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	Cabe con holgura	Cabe con holgura	Cabe con holgura	FP16 / BF16	226,400 tokens	169.3 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	Memoria insuficiente (OOM)	—	—	—