Совместимость моделей

Матрица совместимости моделей ИИ и GPU для Clore.ai

Полное руководство о том, какие модели ИИ работают на каких GPU на CLORE.AI.

Найдите GPU с подходящим объёмом VRAM на CLORE.AI Marketplace.

Быстрая справка

Языковые модели (LLM)

Модель	Параметры	Мин. VRAM	Рекомендуется	Квантование
Llama 3.2	1B	2GB	4 ГБ	Q4, Q8, FP16
Llama 3.2	3B	4 ГБ	6 ГБ	Q4, Q8, FP16
Llama 3.1/3	8B	6 ГБ	12GB	Q4, Q8, FP16
Mistral	7B	6 ГБ	12GB	Q4, Q8, FP16
Qwen 2.5	7B	6 ГБ	12GB	Q4, Q8, FP16
Qwen 2.5	14B	12GB	16GB	Q4, Q8
Qwen 2.5	32B	20GB	24 ГБ	Q4, Q8
Llama 3.1	70B	40GB	48GB	Q4, Q8
Qwen 2.5	72B	48GB	80GB	Q4, Q8
Mixtral	8x7B	24 ГБ	48GB	Q4
DeepSeek-V3	671B	320GB+	640GB	FP8
DeepSeek-R1	671B	320GB+	8x H100	FP8, модель для рассуждений
DeepSeek-R1-Distill	32B	20GB	2x A100 / RTX 5090	Q4/Q8

Модели генерации изображений

Модель	Мин. VRAM	Рекомендуется	Примечания
SD 1.5	4 ГБ	8GB	512x512 родное
SD 2.1	6 ГБ	8GB	768x768 родное
SDXL	8GB	12GB	1024x1024 родное
SDXL Turbo	8GB	12GB	1-4 шага
SD3.5 Large (8B)	16GB	24 ГБ	1024x1024, повышенное качество
FLUX.1 schnell	12GB	16GB	4 шага, быстро
FLUX.1 dev	16GB	24 ГБ	20-50 шагов
TRELLIS	16GB	24GB (RTX 4090)	3D-генерация из изображений

Модели генерации видео

Модель	Мин. VRAM	Рекомендуется	Выход
Stable Video Diffusion	16GB	24 ГБ	4 с, 576x1024
AnimateDiff	12GB	16GB	2-4 с
LTX-Video	16GB	24GB (RTX 4090/3090)	5 с, 768x512, очень быстро
Wan2.1	24 ГБ	40GB	5 с, 480p-720p
Hunyuan Video	40GB	80GB	5 с, 720p
OpenSora	24 ГБ	40GB	Переменно

Аудио-модели

Модель	Мин. VRAM	Рекомендуется	Задача
Whisper tiny	1GB	2GB	Транскрипция
Whisper base	1GB	2GB	Транскрипция
Whisper small	2GB	4 ГБ	Транскрипция
Whisper medium	4 ГБ	6 ГБ	Транскрипция
Whisper large-v3	6 ГБ	10GB	Транскрипция
Bark	8GB	12GB	Текст-в-речь
Stable Audio	8GB	12GB	Генерация музыки

Визуальные и мульти-модальные модели

Модель	Мин. VRAM	Рекомендуется	Задача
Llama 3.2 Vision 11B	12GB	16GB	Понимание изображений
Llama 3.2 Vision 90B	48GB	80GB	Понимание изображений
LLaVA 7B	8GB	12GB	Визуальные вопросы и ответы
LLaVA 13B	16GB	24 ГБ	Визуальные вопросы и ответы
Qwen2.5-VL 7B	16GB	24GB (RTX 4090)	Распознавание изображений/видео/документов (OCR)
Qwen2.5-VL 72B	48GB	2x A100 80GB	Максимальная VL-возможность

Инструменты дообучения и тренировки

Инструмент / Метод	Мин. VRAM	Рекомендуемый GPU	Задача
Unsloth QLoRA 7B	12GB	RTX 3090 24GB	В 2 раза быстрее QLoRA, низкий VRAM
Unsloth QLoRA 13B	16GB	RTX 4090 24GB	Быстрое дообучение
LoRA (стандартный)	12GB	RTX 3090	Параметрически эффективное дообучение
Полное дообучение 7B	40GB	A100 40GB	Максимальное качество обучения

---

Подробные таблицы совместимости

LLM по GPU

GPU	Макс. модель (Q4)	Макс. модель (Q8)	Макс. модель (FP16)
RTX 3060 12GB	13B	7B	3B
RTX 3070 8GB	7B	3B	1B
RTX 3080 10GB	7B	7B	3B
RTX 3090 24GB	30B	13B	7B
RTX 4070 Ti 12GB	13B	7B	3B
RTX 4080 16GB	14B	7B	7B
RTX 4090 24GB	30B	13B	7B
RTX 5090 32GB	70B	14B	13B
A100 40GB	70B	30B	14B
A100 80GB	70B	70B	30B
H100 80GB	70B	70B	30B

Генерация изображений по GPU

GPU	SD 1.5	SDXL	FLUX schnell	FLUX dev
RTX 3060 12GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 3070 8GB	✅ 512	⚠️ 512	❌	❌
RTX 3080 10GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 3090 24GB	✅ 768	✅ 1024	✅ 1024	⚠️ 768*
RTX 4070 Ti 12GB	✅ 512	✅ 768	⚠️ 512*	❌
RTX 4080 16GB	✅ 768	✅ 1024	✅ 768	⚠️ 512*
RTX 4090 24GB	✅ 1024	✅ 1024	✅ 1024	✅ 1024
RTX 5090 32GB	✅ 1024	✅ 1024	✅ 1536	✅ 1536
A100 40GB	✅ 1024	✅ 1024	✅ 1024	✅ 1024
A100 80GB	✅ 2048	✅ 2048	✅ 1536	✅ 1536

*С offload на CPU или уменьшенным размером пакета

Генерация видео по GPU

GPU	SVD	AnimateDiff	Wan2.1	Hunyuan
RTX 3060 12GB	❌	⚠️ коротко	❌	❌
RTX 3090 24GB	✅ 2-4с	✅	⚠️ 480p	❌
RTX 4090 24GB	✅ 4с	✅	✅ 480p	⚠️ коротко
RTX 5090 32GB	✅ 6с	✅	✅ 720p	✅ 5с
A100 40GB	✅ 4с	✅	✅ 720p	✅ 5с
A100 80GB	✅ 8с	✅	✅ 720p	✅ 10с

---

Руководство по квантованию

Что такое квантование?

Квантование уменьшает точность модели, чтобы она занимала меньше VRAM:

Формат	Биты	Снижение VRAM	Потеря качества
FP32	32	Базовый уровень	Нет
FP16	16	50%	Минимальная
BF16	16	50%	Минимальная
FP8	8	75%	Небольшая
Q8	8	75%	Небольшая
Q6_K	6	81%	Небольшая
Q5_K_M	5	84%	Умеренная
Q4_K_M	4	87%	Умеренная
Q3_K_M	3	91%	Заметная
Q2_K	2	94%	Значительная

Калькулятор VRAM

Формула: VRAM (GB) ≈ Параметры (B) × Байты на параметр

Размер модели	FP16	Q8	Q4
1B	2 GB	1 GB	0.5 GB
3B	6 GB	3 GB	1.5 GB
7B	14 GB	7 GB	3.5 GB
8B	16 GB	8 GB	4 GB
13B	26 GB	13 GB	6.5 GB
14B	28 GB	14 GB	7 GB
30B	60 GB	30 GB	15 GB
32B	64 GB	32 GB	16 GB
70B	140 GB	70 GB	35 GB
72B	144 GB	72 GB	36 GB

*Добавьте ~20% для KV-кэша и накладных расходов

Рекомендуемое квантование по сценариям использования

Случай использования	Рекомендуется	Почему
Чат/Общее	Q4_K_M	Хороший баланс скорости и качества
Кодирование	Q5_K_M+	Лучшая точность для кода
Творческое письмо	Q4_K_M	Скорость важнее
Анализ	Q6_K+	Требуется более высокая точность
Продакшен	FP16/BF16	Максимальное качество

---

Длина контекста vs VRAM

Как контекст влияет на VRAM

У каждой модели есть окно контекста (макс. токенов). Длинный контекст = больше VRAM:

Модель	Контекст по умолчанию	Макс. контекст	VRAM на 1К токенов
Llama 3 8B	8K	128K	~0.3 GB
Llama 3 70B	8K	128K	~0.5 GB
Qwen 2.5 7B	8K	128K	~0.25 GB
Mistral 7B	8K	32K	~0.25 GB
Mixtral 8x7B	32K	32K	~0.4 GB

Контекст по GPU (Llama 3 8B Q4)

GPU	Комфортный контекст	Максимальный контекст
RTX 3060 12GB	16K	32K
RTX 3090 24GB	64K	96K
RTX 4090 24GB	64K	96K
RTX 5090 32GB	96K	128K
A100 40GB	96K	128K
A100 80GB	128K	128K

---

Конфигурации с несколькими GPU

Тензорный параллелизм

Разделите одну модель между несколькими GPU:

Конфигурация	Общий VRAM	Макс. модель (FP16)
2x RTX 3090	48GB	30B
2x RTX 4090	48GB	30B
2x RTX 5090	64GB	32B
4x RTX 5090	128GB	70B
2x A100 40GB	80GB	70B
4x A100 40GB	160GB	100B+
8x A100 80GB	640GB	DeepSeek-V3

vLLM Multi-GPU

# 2 GPUs
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.1-70B-Instruct \
    --tensor-parallel-size 2

# 4 GPUs
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Llama-3.1-70B-Instruct \
    --tensor-parallel-size 4

---

Руководства по конкретным моделям

Семейство Llama 3.1

Вариант	Параметры	Мин. GPU	Рекомендуемая конфигурация
Llama 3.2 1B	1B	Любой 4GB	RTX 3060
Llama 3.2 3B	3B	Любой 6GB	RTX 3060
Llama 3.1 8B	8B	RTX 3060	RTX 3090
Llama 3.1 70B	70B	A100 40GB	2x A100 40GB
Llama 3.1 405B	405B	8x A100 80GB	8x H100

Семейство Mistral/Mixtral

Вариант	Параметры	Мин. GPU	Рекомендуемая конфигурация
Mistral 7B	7B	RTX 3060	RTX 3090
Mixtral 8x7B	46.7B	RTX 3090	A100 40GB
Mixtral 8x22B	141B	2x A100 80GB	4x A100 80GB

Семейство Qwen 2.5

Вариант	Параметры	Мин. GPU	Рекомендуемая конфигурация
Qwen 2.5 0.5B	0.5B	Любой 2GB	Любой 4GB
Qwen 2.5 1.5B	1.5B	Любой 4GB	RTX 3060
Qwen 2.5 3B	3B	Любой 6GB	RTX 3060
Qwen 2.5 7B	7B	RTX 3060	RTX 3090
Qwen 2.5 14B	14B	RTX 3090	RTX 4090
Qwen 2.5 32B	32B	RTX 4090	A100 40GB
Qwen 2.5 72B	72B	A100 40GB	A100 80GB

Модели DeepSeek

Вариант	Параметры	Мин. GPU	Рекомендуемая конфигурация
DeepSeek-Coder 6.7B	6.7B	RTX 3060	RTX 3090
DeepSeek-Coder 33B	33B	RTX 4090	A100 40GB
DeepSeek-V2-Lite	15.7B	RTX 3090	A100 40GB
DeepSeek-V3	671B	8x A100 80GB	8x H100
DeepSeek-R1	671B	8x A100 80GB	8x H100 (FP8)
DeepSeek-R1-Distill-Qwen-32B	32B	RTX 5090 32GB	2x A100 40GB
DeepSeek-R1-Distill-Qwen-7B	7B	RTX 3090 24GB	RTX 4090

---

Устранение неполадок

"CUDA out of memory"

1. Уменьшите квантование: Q8 → Q4

2. Уменьшите длину контекста: Уменьшите max_tokens

3. Включите offload на CPU: --cpu-offload или enable_model_cpu_offload()

4. Используйте меньший батч: batch_size=1

5. Попробуйте другой GPU: Нужен больший VRAM

"Модель слишком большая"

1. Используйте квантованную версию: GGUF Q4 модели

2. Используйте несколько GPU: Тензорный параллелизм

3. Выгрузка на CPU: Медленнее, но работает

4. Выберите меньшую модель: 7B вместо 13B

"Медленная генерация"

1. Обновите GPU: Больше VRAM = меньше выгрузок

2. Используйте более быстрое квантование: Q4 быстрее, чем Q8

3. Уменьшите контекст: Короткий = быстрее

4. Включите flash attention: --flash-attn

Дальнейшие шаги

• Сравнение GPU - Подробные характеристики GPU

• Каталог Docker-образов - Образы, готовые к развёртыванию

• Руководство по быстрому старту - Начните за 5 минут