NVIDIA A100 SXM4 (80 GB HBM2e) — Modèles compatibles, contexte maximal et débits tok/s

Mémoire physique: 80 Go
Default / Tuned Usable: 73.6 / 76.8 Go
Bande passante mémoire: 2,039 GB/s
Calcul FP16: 312 TFLOPS
Tarif cloud typique $/h / CapEx: $1.49/hr · $14,500
TDP / Native FP8: 400W · FP16/INT4

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API →

Simulateur interactif de charge sur NVIDIA A100 80GB

Modèle prédéfini à poids ouverts (ou personnalisé)

Nombre d’unités multi-GPU (1× à 8× NVIDIA A100 80GB)

Quantification des poids (bpw)

Précision du cache KV

Longueur du contexte (tokens) 32,768 tokens

Répartition mémoire et plafond de bande passante

Tient confortablement

Poids du modèle: 76% KV: 19.1% Overhead: 4.9%

Mémoire totale requise

52.45 Go

Allocation par périphérique: 52.45 / 80 Go

Poids du modèle

39.86 Go

KV: 10.00 Go

Décodage estimé (1 flux)

25.2 tok/s

Débit estimé en batch: 25.2 tok/s

Contexte max avant OOM

114,335

tokens

Garde-fous compilés automatiquement dans les options

Le parallélisme tensoriel répartit les têtes d’attention et les matrices MLP entre les GPU reliés par NVLink ou PCIe ; --tensor-parallel-size doit donc diviser exactement le nombre de têtes de requête et KV tout en conservant une marge pour les tampons all-reduce NCCL et la capture des graphes CUDA.

Lors de la génération autorégressive mono-utilisateur, chaque token produit exige de lire les poids actifs du modèle depuis la VRAM vers les unités de calcul. Doubler la bande passante mémoire (par exemple en passant de 546 Go/s à 1,792 Go/s en GDDR7 ou 3,350 Go/s en HBM3) double presque le débit en tok/s à quantification identique.

Matrice de compatibilité des LLM à poids ouverts sur 1× NVIDIA A100 80GB (contexte 32K)

Compatibilité et débit de décodage mono-flux estimé en tok/s pour FP16, Q8_0 et Q4_K_M sur une seule unité
Modèle et famille	FP16	Q8_0	Q4_K_M	Meilleure quantif. confortable	Contexte max (Q4_K_M)	Débit décodage (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Tient confortablement	Q6_K	114,335 tokens	25.2 tok/s
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	Ajusté (>90 % utile)	Tient confortablement	Tient confortablement	Q8_0	232,960 tokens	47.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	635,837 tokens	258.7 tok/s
Qwen3-32B 32.8B · GQA	Ajusté (>90 % utile)	Tient confortablement	Tient confortablement	Q8_0	232,960 tokens	47.4 tok/s
Qwen3-14B 14.8B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	441,339 tokens	94.2 tok/s
Qwen3-8B 8.2B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	518,326 tokens	137.8 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	Ajusté (>90 % utile)	Tient confortablement	Tient confortablement	Q8_0	232,960 tokens	47.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	Ajusté (>90 % utile)	Tient confortablement	Tient confortablement	Q8_0	232,960 tokens	47.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Tient confortablement	Q6_K	110,333 tokens	24.6 tok/s
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Ajusté (>90 % utile)	IQ4_XS	68,598 tokens	102.0 tok/s
Llama 3.3 70B Instruct 70.6B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Tient confortablement	Q6_K	114,335 tokens	25.2 tok/s
Llama 3.1 405B Instruct 405B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	583,926 tokens	147.4 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	126,876 tokens	68.4 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	188,020 tokens	136.7 tok/s
Mistral Small 3.1 (24B) 24B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	406,275 tokens	67.8 tok/s
Mistral Large 2411 (123B) 123B · GQA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	—	13,163 tokens	—
Codestral 22B 22.2B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	295,097 tokens	64.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	407,800 tokens	68.6 tok/s
GLM-4-32B-0414 32B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	985,666 tokens	63.0 tok/s
GLM-4-9B-0414 9.4B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	1,048,576 tokens	191.8 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	353,376 tokens	86.5 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	Tient confortablement	Tient confortablement	Tient confortablement	FP16 / BF16	603,888 tokens	203.9 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	Mémoire insuffisante (OOM)	Mémoire insuffisante (OOM)	Ajusté (>90 % utile)	IQ4_XS	46,684 tokens	19.2 tok/s