最新英伟达GPU算力评估表格

最新推荐文章于 2025-11-05 10:21:40 发布
原创 最新推荐文章于 2025-11-05 10:21:40 发布 · 7.7w 阅读 · 91 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#英伟达GPU #算力评估

截至2019年7月31日，英伟达(NVIDIA)提供了详细的GPU产品算力表，覆盖了数据中心、工作站、桌面、移动、嵌入式及Jetson系列，展示了从Tesla K80到Jetson AGX Xavier等众多产品的计算能力。
部署运行你感兴趣的模型镜像

截至2019年7月31日

英伟达GPU算力表：https://developer.nvidia.com/cuda-gpus

1  CUDA-Enabled Tesla Products

1.1  Tesla Workstation Products

GPU

Compute Capability

Tesla K80

3.7

Tesla K40

3.5

Tesla K20

3.5

Tesla C2075

2.0

Tesla C2050/C2070

2.0

1.2  Tesla Data Center Products

GPU

Compute Capability

Tesla T4

7.5

Tesla V100

7.0

Tesla P100

6.0

Tesla P40

6.1

Tesla P4

6.1

Tesla M60

5.2

Tesla M40

5.2

Tesla K80

3.7

Tesla K40

3.5

Tesla K20

3.5

Tesla K10

3.0

2  CUDA-Enabled Quadro Products

2.1  Quadro Desktop Products

GPU

Compute Capability

Quadro RTX 8000

7.5

Quadro RTX 6000

7.5

Quadro RTX 5000

7.5

Quadro RTX 4000

7.5

Quadro GV100

7.0

Quadro GP100

6.0

Quadro P6000

6.1

Quadro P5000

6.1

Quadro P4000

6.1

Quadro P2000

6.1

Quadro P1000

6.1

Quadro P620

6.1

Quadro P600

6.1

Quadro P400

6.1

Quadro M6000 24GB

5.2

Quadro M6000

5.2

  

Quadro K6000

3.5

Quadro M5000

5.2

Quadro K5200

3.5

Quadro K5000

3.0

Quadro M4000

5.2

Quadro K4200

3.0

Quadro K4000

3.0

Quadro M2000

5.2

Quadro K2200

3.0

Quadro K2000

3.0

Quadro K2000D

3.0

Quadro K1200

5.0

Quadro K620

5.0

Quadro K600

3.0

Quadro K420

3.0

Quadro 410

3.0

Quadro Plex 7000

2.0

2.2  Quadro Mobile Products

GPU

Compute Capability

Quadro P5200

6.1

Quadro P4200

6.1

Quadro P3200

6.1

Quadro P5000

6.1

Quadro P4000

6.1

Quadro P3000

6.1

Quadro P2000

6.1

Quadro P1000

6.1

Quadro P600

6.1

Quadro P500

6.1

Quadro M5500M

5.2

Quadro M2200

5.2

Quadro M1200

5.0

Quadro M620

5.2

Quadro M520

5.0

Quadro K6000M

3.0

Quadro K5200M

3.0

Quadro K5100M

3.0

Quadro M5000M

5.0

  

Quadro K500M

3.0

Quadro K4200M

3.0

Quadro K4100M

3.0

Quadro M4000M

5.0

Quadro K3100M

3.0

  

Quadro M3000M

5.0

Quadro K2200M

3.0

Quadro K2100M

3.0

Quadro M2000M

5.0

Quadro K1100M

3.0

Quadro M1000M

5.0

Quadro K620M

5.0

Quadro K610M

3.5

Quadro M600M

5.0

Quadro K510M

3.5

Quadro M500M

5.0

3  CUDA-Enabled NVS Products

3.1  Desktop Products

GPU

Compute Capability

NVIDIA NVS 810

5.0

NVIDIA NVS 510

3.0

NVIDIA NVS 315

2.1

NVIDIA NVS 310

2.1

3.2  Mobile Products

GPU

Compute Capability

NVS 5400M

2.1

NVS 5200M

2.1

NVS 4200M

2.1

4  CUDA-Enabled GeForce and TITAN Products

4.1  GeForce and TITAN Products

GPU

Compute Capability

NVIDIA TITAN RTX

7.5

Geforce RTX 2080 Ti

7.5

Geforce RTX 2080

7.5

Geforce RTX 2070

7.5

Geforce RTX 2060

7.5

NVIDIA TITAN V

7.0

NVIDIA TITAN Xp

6.1

NVIDIA TITAN X

6.1

GeForce GTX 1080 Ti

6.1

GeForce GTX 1080

6.1

GeForce GTX 1070

6.1

GeForce GTX 1060

6.1

GeForce GTX 1050

6.1

GeForce GTX TITAN X

5.2

GeForce GTX TITAN Z

3.5

GeForce GTX TITAN Black

3.5

GeForce GTX TITAN

3.5

GeForce GTX 980 Ti

5.2

GeForce GTX 980

5.2

GeForce GTX 970

5.2

GeForce GTX 960

5.2

GeForce GTX 950

5.2

GeForce GTX 780 Ti

3.5

GeForce GTX 780

3.5

GeForce GTX 770

3.0

GeForce GTX 760

3.0

GeForce GTX 750 Ti

5.0

GeForce GTX 750

5.0

GeForce GTX 690

3.0

GeForce GTX 680

3.0

GeForce GTX 670

3.0

GeForce GTX 660 Ti

3.0

GeForce GTX 660

3.0

GeForce GTX 650 Ti BOOST

3.0

GeForce GTX 650 Ti

3.0

GeForce GTX 650

3.0

GeForce GTX 560 Ti

2.1

GeForce GTX 550 Ti

2.1

GeForce GTX 460

2.1

GeForce GTS 450

2.1

GeForce GTS 450*

2.1

GeForce GTX 590

2.0

GeForce GTX 580

2.0

GeForce GTX 570

2.0

GeForce GTX 480

2.0

GeForce GTX 470

2.0

GeForce GTX 465

2.0

GeForce GT 740

3.0

GeForce GT 730

3.5

GeForce GT 730 DDR3,128bit

2.1

GeForce GT 720

3.5

GeForce GT 705*

3.5

GeForce GT 640 (GDDR5)

3.5

GeForce GT 640 (GDDR3)

2.1

GeForce GT 630

2.1

GeForce GT 620

2.1

GeForce GT 610

2.1

GeForce GT 520

2.1

GeForce GT 440

2.1

GeForce GT 440*

2.1

GeForce GT 430

2.1

GeForce GT 430*

2.1

4.2  GeForce Notebook Products

GPU

Compute Capability

Geforce RTX 2080

7.5

Geforce RTX 2070

7.5

Geforce RTX 2060

7.5

GeForce GTX 1080

6.1

GeForce GTX 1070

6.1

GeForce GTX 1060

6.1

GeForce GTX 980

5.2

GeForce GTX 980M

5.2

GeForce GTX 970M

5.2

GeForce GTX 965M

5.2

GeForce GTX 960M

5.0

GeForce GTX 950M

5.0

GeForce 940M

5.0

GeForce 930M

5.0

GeForce 920M

3.5

GeForce 910M

5.2

GeForce GTX 880M

3.0

GeForce GTX 870M

3.0

GeForce GTX 860M

3.0/5.0(**)

GeForce GTX 850M

5.0

GeForce 840M

5.0

GeForce 830M

5.0

GeForce 820M

2.1

GeForce 800M

2.1

GeForce GTX 780M

3.0

GeForce GTX 770M

3.0

GeForce GTX 765M

3.0

GeForce GTX 760M

3.0

GeForce GTX 680MX

3.0

GeForce GTX 680M

3.0

GeForce GTX 675MX

3.0

GeForce GTX 675M

2.1

GeForce GTX 670MX

3.0

GeForce GTX 670M

2.1

GeForce GTX 660M

3.0

GeForce GT 755M

3.0

GeForce GT 750M

3.0

GeForce GT 650M

3.0

GeForce GT 745M

3.0

GeForce GT 645M

3.0

GeForce GT 740M

3.0

GeForce GT 730M

3.0

GeForce GT 640M

3.0

GeForce GT 640M LE

3.0

GeForce GT 735M

3.0

GeForce GT 635M

2.1

GeForce GT 730M

3.0

GeForce GT 630M

2.1

GeForce GT 625M

2.1

GeForce GT 720M

2.1

GeForce GT 620M

2.1

GeForce 710M

2.1

GeForce 705M

2.1

GeForce 610M

2.1

GeForce GTX 580M

2.1

GeForce GTX 570M

2.1

GeForce GTX 560M

2.1

GeForce GT 555M

2.1

GeForce GT 550M

2.1

GeForce GT 540M

2.1

GeForce GT 525M

2.1

GeForce GT 520MX

2.1

GeForce GT 520M

2.1

GeForce GTX 485M

2.1

GeForce GTX 470M

2.1

GeForce GTX 460M

2.1

GeForce GT 445M

2.1

GeForce GT 435M

2.1

GeForce GT 420M

2.1

GeForce GT 415M

2.1

GeForce GTX 480M

2.0

GeForce 710M

2.1

GeForce 410M

2.1

5  CUDA-Enabled Jetson Products

Jetson Products

GPU

Compute Capability

Jetson AGX Xavier

7.2

Jetson Nano

5.3

Jetson TX2

6.2

Jetson TX1

5.3

Tegra X1

5.3

 

您可能感兴趣的与本文相关的镜像

PyTorch 2.7

PyTorch 2.7

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

OpenAI发布PVG：用小模型验证大模型输出解决“黑盒”难题，韩国团队拆分Transformer注意力让大模型解码提速20倍，微软、OpenAI、英特尔、谷歌、英伟达，成立开源大模型安全联盟
代码讲故事
07-31 815
OpenAI发布PVG：用小模型验证大模型输出解决“黑盒”难题，韩国团队拆分Transformer注意力让大模型解码提速20倍，微软、OpenAI、英特尔、谷歌、英伟达，成立开源大模型安全联盟。
地平线与英伟达工具链 PTQ 工具功能参数对比与实操
地平线开发者
10-15 1724
地平线 OpenExplorer 和 NVIDIA TensorRT 是两家公司为适配自己的硬件而开发的算法工具链，它们各自具有独特的特点和优势。分开看的时候，网上有很多资料，但却没找到将他们放在一起对比的文章，本文从 PTQ 通路进行对比介绍。
大白话解释GPU的算力是怎么算出来的？
了不起的云计算
05-13 1545
特别适合在人工智能领域，因为许多人工智能任务，如推理和图像识别，依赖于高效的整数运算，TOPS的高低反映了处理器在处理这些任务时的能力。CUDA核心数：指的是每个GPU中的CUDA（Compute Unified Device Architecture）核心数量，它反映了GPU的计算单元数量，是决定算力的重要因素之一。TFLOPS：中文翻译“万亿次浮点运算每秒”，浮点运算就是计算机做小数运算的一种方式，在很多复杂的计算任务中，比如科学研究、图形渲染、人工智能训练等，都需要进行大量的小数运算。
算力的评估单位
CyberInversion的博客
11-29 3613
简要摘记算力的统计单位，主要的应用领域以及国内算力增长预测。
算力和GPU卡（入门整理贴）
nudtcz的博客
11-05 1260
算力和GPU卡（入门整理贴）
FLOPS和TOPS的区别 以及 算力的计算方法
NCU_wander的博客
11-18 1万+
AI芯片通过设计特殊的计算单元，实现了超高的操作数量。例如： 以GTX680为例， 单核一个时钟周期单精度计算次数为两次，处理核个数 为1536， 主频为1006MHZ，那他的计算能力的峰值P 为：P = 2 × 1536 × 1006MHZ = 3.09TFLOPS，1T为1兆，也就是说，GTX680每秒可以进行超过3兆次的单精度运算。AI芯片算力又是算力中专门的一个领域，低标准下的高算力是比不上高标准下的低算力的，比如INT4标准下的100TOPS算力是要远弱于INT8标准下的90TOPS的。
如何评估计算机的算力：从 CPU 到 GPU 的演变
github_36774378的博客
08-25 2228
这就是 CPU 和 GPU 在计算能力上的区别，这是由它们的架构决定的，CPU 可以执行任何程序，而 GPU转为多任务而生，并发能力强。当然，上面的两张图并不是说 GPU 比 CPU 厉害，事实上，CPU 和 GPU 各自具有不同的特点和优势，选择哪种设备取决于具体的应用场景和需求。其中，CPU（中央处理器）和 GPU（图形处理器）是计算机中最为核心的两个组件，它们的算力和性能对于计算机的整体性能具有决定性的影响。CPU 是计算机的核心组件之一，它的主要功能是执行指令、控制计算机的运行和处理数据等任务。
GPU算力评估
m0_59164304的博客
05-31 3694
大模型训练所需的总算力（Tlops）=6 * 模型的参数量 * 训练数据的 token6 就是每个 token 在模型正向传播和反向传播的时候所需的乘法、加法计算次数。我们先假设一个前提：如果以每个 head 交给一个 GPU 去算，并且通讯都是点对点来计算。需要把那么计算量和通信量的比例是多少？2：这是一个常数，表示每个参数在正向传播和反向传播过程中都会进行一次乘法和一次加法操作。3：指的是一次正向两次反向，反向是梯度和权重。：这是嵌入向量的维度，也就是模型中每个词的表示空间的大小。
最新NVIDIA英伟达GPU显卡算力表
热门推荐
专注于人工智能领域的小何尚
09-15 4万+
随着深度学习的火热, 显卡也变得越来越重要. 而我们在安装各种各样的适配显卡的软件工具时, 都会提到一个显卡算力的概念.
英伟达 CUDA
08-16
用户提供的三个引用中，[1]提到CUDA与英伟达的绑定关系及行业影响，[2][3]则详细说明了A800 GPU的硬件参数。不过用户真正需要的不是硬件参数复述，而是CUDA技术本身的剖析。需要特别注意：用户明确要求结合引用内容...
Eigen3、PCL、GTSAM、OpenCV 这个几个库是否有GPU版本的 ？ cuda 英伟达的板子jetson orin nano
最新发布
11-28
GTSAM比较特殊，最新版本确实支持GPU加速了，但需要手动开启编译选项。用户如果从apt安装的预编译版本很可能不带GPU支持，需要强调源码编译的注意事项。 OpenCV最值得关注，引用[1][2]都提到Jetson预装OpenCV不带...
72、GPU 功率限制：深度学习训练中的能效权衡
d3e4f的博客
09-26 49
本文探讨了在深度学习训练中通过GPU功率限制实现能效优化的方法与实验结果。基于NVML API和StaticEnergyProfiler（StEP）工具，对Quadro 6000和V100 GPU在不同功率限制下的能耗与性能进行评估，采用总能耗（E）、能量-延迟积（EDP）和能量-延迟和（EDS）三种指标进行双目标优化分析。实验表明，合理设置功率限制可在性能损失可控的前提下，实现高达33%的节能效果。文章还提供了针对不同优化目标的功率配置建议及操作流程，为绿色AI计算提供实践指导。
【GPU算力】GPU Compute Capability
cxyhjl的博客
05-21 859
GPU算力
英伟达显卡算力榜（nvidia GPU compute capability）
bestination的博客
01-06 1万+
英伟达显卡算力
NVIDIA GPU算力
nielinyuan1466的博客
07-19 2万+
NVIDIA GeForce RTX 2080 Ti是一款高性能的消费级显卡，也具备相当强大的算力。NVIDIA GeForce GTX 1080 Ti是一款高性能的消费级显卡，具备相当强大的算力。NVIDIA GeForce RTX 2060是一款中高端的消费级显卡，具备一定的算力。NVIDIA Tesla T4是一款专为高性能计算而设计的显卡，拥有强大的算力。
GPU显卡算力查询
weixin_46587777的博客
05-04 1万+
神经网络 tensorflow 深度学习 机器学习 包含Tesla和GeForce、TITAN及RTX系列等 显卡算力对比表
英伟达GPU的硬件架构——显存带宽和算力
四哥的专栏
09-07 4040
CUDA 是建立在英伟达GPU硬件架构之上的平台和编程模型。因此，就像要写好高性能的 CPU 程序，必须对 CPU 的硬件架构有一定的理解一样，我们写 CUDA 程序也必须对 GPU 有最基本的了解。
最新gpu算力表！！！
weixin_44134757的博客
05-17 7475
https://developer.nvidia.com/cuda-gpus#collapseOne
GPU算力：从“显卡”到“超级大脑”的进化史
深入信息化、数字化与人工智能的核心地带。提供有深度的技术解析、行业洞察与战略思考，为专业人士破解数智迷局，把握发展先机。
04-07 1081
GPU算力从零基础入门到精通
英伟达GPU架构与AI算力核心解析
英伟达GPU作为现代高性能计算和人工智能算力的核心载体，其技术演进深刻影响着全球AI基础设施的发展格局。本文围绕“英伟达GPU解析”这一主题，系统性地剖析了其产品分类体系、架构迭代路径、核心性能参数及其在AI...
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值