DeepSeek-R1-0528-Qwen3-8B-layer-mix-bpw-3.8-mlx — which GPUs fit

GreenBitAI · 2.3B · ctx NoneK · apache-2.0 · HuggingFace

DeepSeek-R1-0528-Qwen3-8B-layer-mix-bpw-3.8-mlx (GreenBitAI) is a 2.3B parameters open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 2.72 GB VRAM for Q4 (weights 1.26 GB + KV 0.46 GB + 1 GB overhead) and 6.06 GB for FP16. About 63 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 2213.4 tok/s (estimated); MI300X 192GB ≈ 1466.4 tok/s (estimated); H200 141GB SXM5 ≈ 1328.1 tok/s (estimated); H100 80GB SXM5 ≈ 926.9 tok/s (estimated); Gaudi 3 128GB ≈ 906.4 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

126 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	2213.4 est.	Yes	0.055
MI300X 192GB	192	Q4	1466.4 est.	Yes	0.098
H200 141GB SXM5	141	Q4	1328.1 est.	Yes	0.038
H100 80GB SXM5	80	Q4	926.9 est.	Yes	0.031
Gaudi 3 128GB	128	Q4	906.4 est.	Yes	0.073
B200 192GB SXM	192	FP16	608.7 est.	Yes	0.015
A100 80GB SXM4	80	Q4	564.2 est.	Yes	0.038
RTX 5090 32GB	32	Q4	495.8 est.	Yes	0.248
MI300X 192GB	192	FP16	403.3 est.	Yes	0.027
H200 141GB SXM5	141	FP16	365.2 est.	Yes	0.01
RTX 4090 24GB	24	Q4	278.9 est.	Yes	0.174
RTX 4090D 24GB (China)	24	Q4	278.9 est.	Yes	0.174
RTX 3090 Ti 24GB	24	Q4	278.9 est.	Yes	0.14
RTX 5080 16GB	16	Q4	265.6 est.	Yes	0.266
RX 7900 XTX 24GB	24	Q4	265.6 est.	Yes	0.266
RTX 6000 Ada 48GB	48	Q4	265.6 est.	Yes	0.039
RTX 3090 24GB	24	Q4	259.0 est.	Yes	0.173
H100 80GB SXM5	80	FP16	254.9 est.	Yes	0.008
Gaudi 3 128GB	128	FP16	249.3 est.	Yes	0.02
V100 32GB SXM2	32	Q4	249.0 est.	Yes	0.025
V100 16GB PCIe	16	Q4	249.0 est.	Yes	0.031
RTX 5070 Ti 16GB	16	Q4	247.9 est.	Yes	0.331
L40S 48GB	48	Q4	239.1 est.	Yes	0.03
Mac Studio M3 Ultra 96GB	96	Q4	226.6 est.	Yes	0.057
Mac Studio M2 Ultra 192GB	192	Q4	221.3 est.	Yes	0.032
RX 7900 XT 20GB	20	Q4	221.3 est.	Yes	0.246
RTX A6000 48GB	48	Q4	212.5 est.	Yes	0.047
RTX 3080 10GB	10	Q4	210.3 est.	Yes	0.301
RTX 4080 Super 16GB	16	Q4	203.6 est.	Yes	0.204
RTX 4070 Ti Super 16GB	16	Q4	185.9 est.	Yes	0.233
RTX 5070 12GB	12	Q4	185.9 est.	Yes	0.339
Titan V 12GB	12	Q4	180.6 est.	Yes	0.06
RX 9070 16GB	16	Q4	177.1 est.	Yes	0.323
RX 9070 XT 16GB	16	Q4	177.1 est.	Yes	0.296
RX 7800 XT 16GB	16	Q4	172.6 est.	Yes	0.346
Arc Pro B70 32GB	32	Q4	168.2 est.	Yes	0.168
RX 7900 GRE 16GB	16	Q4	159.4 est.	Yes	0.29
A100 80GB SXM4	80	FP16	155.1 est.	Yes	0.01
Arc A770 16GB	16	Q4	154.9 est.	Yes	0.444
RTX 4070 Ti 12GB	12	Q4	153.3 est.	Yes	0.192
Titan Xp 12GB	12	Q4	151.6 est.	Yes	0.126
MacBook Pro M4 Max 128GB	128	Q4	151.1 est.	Yes	0.034
RTX 4070 12GB	12	Q4	139.4 est.	Yes	0.233
RTX 4070 Super 12GB	12	Q4	139.4 est.	Yes	0.233
DGX Spark (GH200 480GB)	480	Q4	138.3 est.	Yes	0.046
RTX 5090 32GB	32	FP16	136.3 est.	Yes	0.068
Titan X Pascal 12GB	12	Q4	132.8 est.	Yes	0.111
Arc B580 12GB	12	Q4	126.2 est.	Yes	0.507
RTX 5060 8GB	8	Q4	124.0 est.	Yes	0.415
RTX 5060 Ti 8GB	8	Q4	124.0 est.	Yes	0.327
RTX 5060 Ti 16GB	16	Q4	124.0 est.	Yes	0.289
RTX 3070 8GB	8	Q4	124.0 est.	Yes	0.248
RX 7700 XT 12GB	12	Q4	119.5 est.	Yes	0.266
MacBook Pro M1 Max 32GB	32	Q4	110.7 est.	Yes	0.034
MacBook Pro M1 Max 64GB	64	Q4	110.7 est.	Yes	0.028
MacBook Pro M3 Max 128GB	128	Q4	110.7 est.	Yes	0.026
Arc B570 10GB	10	Q4	105.1 est.	Yes	0.48
RTX 3060 12GB	12	Q4	99.6 est.	Yes	0.303
T4 16GB	16	Q4	88.5 est.	Yes	0.044
RTX 4060 Ti 8GB	8	Q4	79.7 est.	Yes	0.2
RTX 4060 Ti 16GB	16	Q4	79.7 est.	Yes	0.16
RX 7600 8GB	8	Q4	79.7 est.	Yes	0.296
RX 7600 XT 16GB	16	Q4	79.7 est.	Yes	0.242
RTX 4090 24GB	24	FP16	76.7 est.	Yes	0.048
RTX 4090D 24GB (China)	24	FP16	76.7 est.	Yes	0.048
RTX 3090 Ti 24GB	24	FP16	76.7 est.	Yes	0.038
Mac mini M4 Pro 64GB	64	Q4	75.5 est.	Yes	0.034
RTX 4060 8GB	8	Q4	75.3 est.	Yes	0.252
RTX 5080 16GB	16	FP16	73.0 est.	Yes	0.073
RX 7900 XTX 24GB	24	FP16	73.0 est.	Yes	0.073
RTX 6000 Ada 48GB	48	FP16	73.0 est.	Yes	0.011
RTX 3090 24GB	24	FP16	71.2 est.	Yes	0.047
V100 32GB SXM2	32	FP16	68.5 est.	Yes	0.007
V100 16GB PCIe	16	FP16	68.5 est.	Yes	0.009
RTX 5070 Ti 16GB	16	FP16	68.2 est.	Yes	0.091
L40S 48GB	48	FP16	65.7 est.	Yes	0.008
Mac Studio M3 Ultra 96GB	96	FP16	62.3 est.	Yes	0.016
Mac Studio M2 Ultra 192GB	192	FP16	60.9 est.	Yes	0.009
RX 7900 XT 20GB	20	FP16	60.9 est.	Yes	0.068
Ryzen AI Max+ 395 128GB	96	Q4	59.5 est.	Yes	0.03
Ryzen AI Max+ 395 64GB	48	Q4	59.5 est.	Yes	0.04
Ryzen AI Max 390 64GB	48	Q4	59.5 est.	Yes	0.046
RTX A6000 48GB	48	FP16	58.4 est.	Yes	0.013
RTX 3080 10GB	10	FP16	57.8 est.	Yes	0.083
RTX 4080 Super 16GB	16	FP16	56.0 est.	Yes	0.056
Tesla P4 8GB	8	Q4	53.1 est.	Yes	0.664
RTX 4070 Ti Super 16GB	16	FP16	51.1 est.	Yes	0.064
RTX 5070 12GB	12	FP16	51.1 est.	Yes	0.093
Titan V 12GB	12	FP16	49.7 est.	Yes	0.017
RX 9070 16GB	16	FP16	48.7 est.	Yes	0.089
RX 9070 XT 16GB	16	FP16	48.7 est.	Yes	0.081
RX 7800 XT 16GB	16	FP16	47.5 est.	Yes	0.095
Arc Pro B70 32GB	32	FP16	46.3 est.	Yes	0.046
RX 7900 GRE 16GB	16	FP16	43.8 est.	Yes	0.08
Arc A770 16GB	16	FP16	42.6 est.	Yes	0.122
RTX 4070 Ti 12GB	12	FP16	42.2 est.	Yes	0.053
Titan Xp 12GB	12	FP16	41.7 est.	Yes	0.035
MacBook Pro M4 Max 128GB	128	FP16	41.5 est.	Yes	0.009
RTX 4070 12GB	12	FP16	38.3 est.	Yes	0.064
RTX 4070 Super 12GB	12	FP16	38.3 est.	Yes	0.064
DGX Spark (GH200 480GB)	480	FP16	38.0 est.	Yes	0.013
Titan X Pascal 12GB	12	FP16	36.5 est.	Yes	0.03
Arc B580 12GB	12	FP16	34.7 est.	Yes	0.139
RTX 5060 8GB	8	FP16	34.1 est.	Yes	0.114
RTX 5060 Ti 8GB	8	FP16	34.1 est.	Yes	0.09
RTX 5060 Ti 16GB	16	FP16	34.1 est.	Yes	0.079
RTX 3070 8GB	8	FP16	34.1 est.	Yes	0.068
Mac mini M4 32GB	32	Q4	33.2 est.	Yes	0.033
RX 7700 XT 12GB	12	FP16	32.9 est.	Yes	0.073
MacBook Pro M1 Max 32GB	32	FP16	30.4 est.	Yes	0.009
MacBook Pro M1 Max 64GB	64	FP16	30.4 est.	Yes	0.008
MacBook Pro M3 Max 128GB	128	FP16	30.4 est.	Yes	0.007
Arc B570 10GB	10	FP16	28.9 est.	Yes	0.132
RTX 3060 12GB	12	FP16	27.4 est.	Yes	0.083
T4 16GB	16	FP16	24.3 est.	Yes	0.012
RTX 4060 Ti 8GB	8	FP16	21.9 est.	Yes	0.055
RTX 4060 Ti 16GB	16	FP16	21.9 est.	Yes	0.044
RX 7600 8GB	8	FP16	21.9 est.	Yes	0.081
RX 7600 XT 16GB	16	FP16	21.9 est.	Yes	0.067
Mac mini M4 Pro 64GB	64	FP16	20.8 est.	Yes	0.009
RTX 4060 8GB	8	FP16	20.7 est.	Yes	0.069
Ryzen AI Max+ 395 128GB	96	FP16	16.4 est.	Yes	0.008
Ryzen AI Max+ 395 64GB	48	FP16	16.4 est.	Yes	0.011
Ryzen AI Max 390 64GB	48	FP16	16.4 est.	Yes	0.013
Tesla P4 8GB	8	FP16	14.6 est.	Yes	0.182
Mac mini M4 32GB	32	FP16	9.1 est.	Yes	0.009

Fit checks

RTX 5090 32GB — fits · ≈495.8 tok/s Q4 est.
RTX 3090 Ti 24GB — fits · ≈278.9 tok/s Q4 est.
RTX 4090 24GB — fits · ≈278.9 tok/s Q4 est.
RTX 5080 16GB — fits · ≈265.6 tok/s Q4 est.
RTX 6000 Ada 48GB — fits · ≈265.6 tok/s Q4 est.
RX 7900 XTX 24GB — fits · ≈265.6 tok/s Q4 est.
RTX 3090 24GB — fits · ≈259.0 tok/s Q4 est.
RTX 5070 Ti 16GB — fits · ≈247.9 tok/s Q4 est.
L40S 48GB — fits · ≈239.1 tok/s Q4 est.
Mac Studio M3 Ultra 96GB — fits · ≈226.6 tok/s Q4 est.
Mac Studio M2 Ultra 192GB — fits · ≈221.3 tok/s Q4 est.
RX 7900 XT 20GB — fits · ≈221.3 tok/s Q4 est.

12 popular retail GPUs; every row in the table above also links its Fits? verdict to the full fit check.