NVIDIA A100 SXM4 (80 GB HBM2e) — Modelos Executáveis, Contexto Máximo e Benchmarks em tok/s

Memória Física: 80 GB
Default / Tuned Usable: 73.6 / 76.8 GB
Largura de Banda: 2,039 GB/s
Computação FP16: 312 TFLOPS
Tarifa Nuvem $/h / CapEx: $1.49/hr · $14,500
TDP / Native FP8: 400W · FP16/INT4

Abrir na Calculadora de VRAM → Gerar Config vLLM / Ollama → Comparar GPU Própria vs API →

Simulador Interativo de Carga em NVIDIA A100 80GB

Modelo Predefinido de Pesos Abertos (ou Personalizado)

Quantidade de Dispositivos (1× a 8× NVIDIA A100 80GB)

Quantização de Pesos (bpw)

Precisão do Cache KV

Tamanho do Contexto (tokens) 32,768 tokens

Detalhamento de Memória e Teto de Largura de Banda

Cabe com Folga

Pesos do Modelo: 76% KV: 19.1% Overhead: 4.9%

Memória Total Necessária

52.45 GB

Alocação por Dispositivo: 52.45 / 80 GB

Pesos do Modelo

39.86 GB

KV: 10.00 GB

Decodificação Est. (1 Fluxo)

25.2 tok/s

Vazão Est. em Lote (Batch): 25.2 tok/s

Contexto Máx. Antes de OOM

114,335

tokens

Travas de Segurança de Flags Compiladas Automaticamente

O paralelismo de tensores divide cabeças de atenção e matrizes MLP entre dispositivos NVLink ou PCIe; por isso, --tensor-parallel-size precisa dividir exatamente o número de cabeças de consulta e KV, preservando margem para buffers all-reduce do NCCL e captura de grafos CUDA.

Durante a geração autorregressiva de usuário único, cada token de saída exige ler os pesos ativos do modelo da VRAM para os núcleos de computação. Dobrar a largura de banda de memória (por exemplo, saltando de 546 GB/s para 1.792 GB/s em GDDR7 ou 3.350 GB/s em HBM3) praticamente dobra os tok/s na mesma quantização.

Matriz de Compatibilidade de LLM de Pesos Abertos em 1× NVIDIA A100 80GB (Contexto 32K)

Status de ajuste e velocidade estimada de decodificação de fluxo único em FP16, Q8_0 e Q4_K_M em um único dispositivo
Modelo e Família	FP16	Q8_0	Q4_K_M	Melhor Quant. Confortável	Contexto Máx. (Q4_K_M)	Decodificação (Q4_K_M)
DeepSeek-R1 (671B MoE) 671B · MLA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	—	—
DeepSeek-V3-0324 (671B MoE) 671B · MLA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	—	—
DeepSeek-R1-Distill-Llama-70B 70.6B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Cabe com Folga	Q6_K	114,335 tokens	25.2 tok/s
DeepSeek-R1-Distill-Qwen-32B 32.8B · GQA	Ajuste Apertado (>90% Útil)	Cabe com Folga	Cabe com Folga	Q8_0	232,960 tokens	47.4 tok/s
Qwen3-235B-A22B (MoE) 235B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	—	—
Qwen3-30B-A3B (MoE) 30.5B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	635,837 tokens	258.7 tok/s
Qwen3-32B 32.8B · GQA	Ajuste Apertado (>90% Útil)	Cabe com Folga	Cabe com Folga	Q8_0	232,960 tokens	47.4 tok/s
Qwen3-14B 14.8B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	441,339 tokens	94.2 tok/s
Qwen3-8B 8.2B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	518,326 tokens	137.8 tok/s
QwQ-32B (Reasoning) 32.8B · GQA	Ajuste Apertado (>90% Útil)	Cabe com Folga	Cabe com Folga	Q8_0	232,960 tokens	47.4 tok/s
Qwen2.5-Coder-32B-Instruct 32.8B · GQA	Ajuste Apertado (>90% Útil)	Cabe com Folga	Cabe com Folga	Q8_0	232,960 tokens	47.4 tok/s
Qwen2.5-72B-Instruct 72.7B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Cabe com Folga	Q6_K	110,333 tokens	24.6 tok/s
Llama 4 Maverick (400B / 17B-128E MoE) 402B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	—	—
Llama 4 Scout (109B / 17B-16E MoE) 109B · HYBRID_SWA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Ajuste Apertado (>90% Útil)	IQ4_XS	68,598 tokens	102.0 tok/s
Llama 3.3 70B Instruct 70.6B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Cabe com Folga	Q6_K	114,335 tokens	25.2 tok/s
Llama 3.1 405B Instruct 405B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	—	—
Llama 3.1 8B Instruct 8.03B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	583,926 tokens	147.4 tok/s
Gemma 3 27B IT (Multimodal) 27.4B · HYBRID_SWA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	126,876 tokens	68.4 tok/s
Gemma 3 12B IT (Multimodal) 12.2B · HYBRID_SWA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	188,020 tokens	136.7 tok/s
Mistral Small 3.1 (24B) 24B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	406,275 tokens	67.8 tok/s
Mistral Large 2411 (123B) 123B · GQA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	—	13,163 tokens	—
Codestral 22B 22.2B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	295,097 tokens	64.4 tok/s
Devstral Small (24B SWE Agent) 23.6B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	407,800 tokens	68.6 tok/s
GLM-4-32B-0414 32B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	985,666 tokens	63.0 tok/s
GLM-4-9B-0414 9.4B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	1,048,576 tokens	191.8 tok/s
Microsoft Phi-4 (14B) 14.7B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	353,376 tokens	86.5 tok/s
Microsoft Phi-4-mini-instruct (3.8B) 3.84B · GQA	Cabe com Folga	Cabe com Folga	Cabe com Folga	FP16 / BF16	603,888 tokens	203.9 tok/s
Cohere Command A (111B) 111B · HYBRID_SWA	Memória Insuficiente (OOM)	Memória Insuficiente (OOM)	Ajuste Apertado (>90% Útil)	IQ4_XS	46,684 tokens	19.2 tok/s