NVIDIA H100 SXM5 (80 GB HBM3) — 구동 가능 모델, 최대 컨텍스트 & tok/s 벤치마크

물리 메모리: 80 GB
Default / Tuned Usable: 73.6 / 76.8 GB
메모리 대역폭: 3,350 GB/s
FP16 연산: 989 TFLOPS
클라우드 $/hr / CapEx: $2.39/hr · $27,500
TDP / Native FP8: 700W · FP8 Yes

VRAM 계산기에서 열기 → vLLM / Ollama 설정 생성 → 자체 GPU vs API 비교 →

NVIDIA H100 80GB 대화형 워크로드 시뮬레이터

오픈웨이트 모델 프리셋 (또는 사용자 정의)

멀티 디바이스 구성 (1× ~ 8× NVIDIA H100 80GB)

가중치 양자화 (bpw)

KV 캐시 정밀도

컨텍스트 길이 (tokens) 32,768 토큰

메모리 세부 내역 & 대역폭 상한

여유 있게 적재

모델 가중치: 76% KV: 19.1% Overhead: 4.9%

총 필요 메모리

52.45 GB

디바이스당 할당량: 52.45 / 80 GB

모델 가중치

39.86 GB

KV: 10.00 GB

추정 단일 스트림 디코딩

41.4 tok/s

추정 배치 총 처리량: 41.4 tok/s

OOM 이전 최대 컨텍스트

114,335

토큰

자동 컴파일되는 핵심 플래그 안전장치

텐서 병렬화는 어텐션 헤드와 MLP 행렬을 NVLink 또는 PCIe 디바이스에 분할하므로 --tensor-parallel-size가 쿼리 및 KV 헤드 수를 정확히 나누어떨어지게 해야 하며, NCCL all-reduce 버퍼와 CUDA 그래프 캡처를 위한 여유 메모리도 남겨야 합니다.

단일 사용자 자기회귀 생성에서는 출력 토큰마다 VRAM에서 연산 코어로 활성 모델 가중치를 읽어와야 합니다. 메모리 대역폭이 두 배가 되면(예: 546 GB/s에서 GDDR7 1,792 GB/s 또는 HBM3 3,350 GB/s로 향상) 동일한 양자화에서 tok/s 속도 역시 거의 두 배로 증가합니다.

1× NVIDIA H100 80GB 오픈웨이트 LLM 호환성 매트릭스 (32K 컨텍스트)

단일 디바이스 기준 FP16, Q8_0, Q4_K_M 적재 상태 및 추정 단일 스트림 디코딩 tok/s
모델 & 패밀리	FP16	Q8_0	Q4_K_M	최적 여유 양자화	최대 컨텍스트 (Q4_K_M)	디코딩 속도 (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q6_K	114,335 토큰	41.4 tok/s
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	빠듯한 적재 (>90% 사용)	여유 있게 적재	여유 있게 적재	FP8	232,960 토큰	77.9 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	635,837 토큰	425.0 tok/s
Qwen3-32B 32.8B · GQA	빠듯한 적재 (>90% 사용)	여유 있게 적재	여유 있게 적재	FP8	232,960 토큰	77.9 tok/s
Qwen3-14B 14.8B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	441,339 토큰	154.7 tok/s
Qwen3-8B 8.2B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	518,326 토큰	226.4 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	빠듯한 적재 (>90% 사용)	여유 있게 적재	여유 있게 적재	FP8	232,960 토큰	77.9 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	빠듯한 적재 (>90% 사용)	여유 있게 적재	여유 있게 적재	FP8	232,960 토큰	77.9 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q6_K	110,333 토큰	40.5 tok/s
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	IQ4_XS	68,598 토큰	167.5 tok/s
Llama 3.3 70B Instruct 70.6B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	여유 있게 적재	Q6_K	114,335 토큰	41.4 tok/s
Llama 3.1 405B Instruct 405B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	583,926 토큰	242.2 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	126,876 토큰	112.5 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	188,020 토큰	224.6 tok/s
Mistral Small 3.1 (24B) 24B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	406,275 토큰	111.4 tok/s
Mistral Large 2411 (123B) 123B · GQA	메모리 부족 (OOM)	메모리 부족 (OOM)	메모리 부족 (OOM)	—	13,163 토큰	—
Codestral 22B 22.2B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	295,097 토큰	105.8 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	407,800 토큰	112.8 tok/s
GLM-4-32B-0414 32B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	985,666 토큰	103.5 tok/s
GLM-4-9B-0414 9.4B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	1,048,576 토큰	315.2 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	353,376 토큰	142.0 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	여유 있게 적재	여유 있게 적재	여유 있게 적재	FP16 / BF16	603,888 토큰	335.1 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	메모리 부족 (OOM)	메모리 부족 (OOM)	빠듯한 적재 (>90% 사용)	IQ4_XS	46,684 토큰	31.6 tok/s