NVIDIA A100 SXM4 (80 GB HBM2e) — 動作可能モデル・最大コンテキスト & tok/s ベンチマーク

物理メモリ: 80 GB
Default / Tuned Usable: 73.6 / 76.8 GB
メモリ帯域幅: 2,039 GB/s
FP16 演算性能: 312 TFLOPS
クラウド目安 $/h / CapEx: $1.49/hr · $14,500
TDP / Native FP8: 400W · FP16/INT4

VRAM計算機で開く → vLLM / Ollama 設定を生成 → 自前GPU vs API を比較 →

NVIDIA A100 80GB インタラクティブ負荷シミュレーター

オープンウェイトモデル（またはカスタム）

マルチデバイス構成（1×〜8× NVIDIA A100 80GB）

重み量子化 (bpw)

KVキャッシュ精度

コンテキスト長 (tokens) 32,768 トークン

メモリ内訳 & メモリ帯域幅上限

余裕で収容可能

モデル重み: 76% KV: 19.1% Overhead: 4.9%

必要メモリ合計

52.45 GB

デバイスあたり割当量: 52.45 / 80 GB

モデル重み

39.86 GB

KV: 10.00 GB

推定単一ストリーム速度

25.2 tok/s

推定バッチ総スループット: 25.2 tok/s

OOM到達前の最大コンテキスト

114,335

トークン

自動コンパイルされる主要フラグの安全設計

テンソル並列はアテンションヘッドとMLP行列をNVLinkやPCIeデバイスへ分割するため、--tensor-parallel-size はクエリヘッド数およびKVヘッド数を割り切れる値にしつつ、NCCL all-reduceバッファとCUDAグラフ確保用の余裕を残す必要があります。

単一ユーザーの自己回帰生成では、1トークン出力するたびにVRAMから演算コアへ有効モデル重みを読み出す必要があります。メモリ帯域幅が2倍になれば（例：546 GB/s から GDDR7 の 1,792 GB/s や HBM3 の 3,350 GB/s へ向上）、同じ量子化精度で tok/s もほぼ2倍になります。

1× NVIDIA A100 80GB オープンウェイトLLM互換マトリクス（32K コンテキスト）

単一デバイスでの FP16・Q8_0・Q4_K_M 収容判定と推定単一ストリーム tok/s
モデル & ファミリー	FP16	Q8_0	Q4_K_M	最適量子化	最大コンテキスト (Q4_K_M)	デコード速度 (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	余裕で収容可能	Q6_K	114,335 トークン	25.2 tok/s
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	Q8_0	232,960 トークン	47.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	635,837 トークン	258.7 tok/s
Qwen3-32B 32.8B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	Q8_0	232,960 トークン	47.4 tok/s
Qwen3-14B 14.8B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	441,339 トークン	94.2 tok/s
Qwen3-8B 8.2B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	518,326 トークン	137.8 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	Q8_0	232,960 トークン	47.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	ギリギリ収容 (>90%使用)	余裕で収容可能	余裕で収容可能	Q8_0	232,960 トークン	47.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	余裕で収容可能	Q6_K	110,333 トークン	24.6 tok/s
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	IQ4_XS	68,598 トークン	102.0 tok/s
Llama 3.3 70B Instruct 70.6B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	余裕で収容可能	Q6_K	114,335 トークン	25.2 tok/s
Llama 3.1 405B Instruct 405B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	583,926 トークン	147.4 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	126,876 トークン	68.4 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	188,020 トークン	136.7 tok/s
Mistral Small 3.1 (24B) 24B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	406,275 トークン	67.8 tok/s
Mistral Large 2411 (123B) 123B · GQA	メモリ不足 (OOM)	メモリ不足 (OOM)	メモリ不足 (OOM)	—	13,163 トークン	—
Codestral 22B 22.2B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	295,097 トークン	64.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	407,800 トークン	68.6 tok/s
GLM-4-32B-0414 32B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	985,666 トークン	63.0 tok/s
GLM-4-9B-0414 9.4B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	1,048,576 トークン	191.8 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	353,376 トークン	86.5 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	余裕で収容可能	余裕で収容可能	余裕で収容可能	FP16 / BF16	603,888 トークン	203.9 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	メモリ不足 (OOM)	メモリ不足 (OOM)	ギリギリ収容 (>90%使用)	IQ4_XS	46,684 トークン	19.2 tok/s