MiniCPM5-1B

OpenBMB · 1.08B · ctx 128K · apache-2.0 · HuggingFace

MiniCPM5-1B (OpenBMB) is a 1.08B parameters open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 1.81 GB VRAM for Q4 (weights 0.59 GB + KV 0.22 GB + 1 GB overhead) and 3.38 GB for FP16. About 50 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 4713.8 tok/s (estimated); MI300X 192GB ≈ 3122.9 tok/s (estimated); H200 141GB SXM5 ≈ 2828.3 tok/s (estimated); H100 80GB SXM5 ≈ 1973.9 tok/s (estimated); Gaudi 3 128GB ≈ 1930.3 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.

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

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	4713.8 est.	Yes	0.118
MI300X 192GB	192	Q4	3122.9 est.	Yes	0.208
H200 141GB SXM5	141	Q4	2828.3 est.	Yes	0.081
H100 80GB SXM5	80	Q4	1973.9 est.	Yes	0.066
Gaudi 3 128GB	128	Q4	1930.3 est.	Yes	0.154
B200 192GB SXM	192	FP16	1296.3 est.	Yes	0.032
A100 80GB SXM4	80	Q4	1201.4 est.	Yes	0.08
RTX 5090 32GB	32	Q4	1055.9 est.	Yes	0.528
MI300X 192GB	192	FP16	858.8 est.	Yes	0.057
H200 141GB SXM5	141	FP16	777.8 est.	Yes	0.022
RTX 4090 24GB	24	Q4	593.9 est.	Yes	0.371
RTX 4090D 24GB (China)	24	Q4	593.9 est.	Yes	0.371
RTX 3090 Ti 24GB	24	Q4	593.9 est.	Yes	0.297
RTX 5080 16GB	16	Q4	565.7 est.	Yes	0.566
RX 7900 XTX 24GB	24	Q4	565.7 est.	Yes	0.566
RTX 6000 Ada 48GB	48	Q4	565.7 est.	Yes	0.083
RTX 3090 24GB	24	Q4	551.5 est.	Yes	0.368
H100 80GB SXM5	80	FP16	542.8 est.	Yes	0.018
Gaudi 3 128GB	128	FP16	530.8 est.	Yes	0.042
RTX 5070 Ti 16GB	16	Q4	527.9 est.	Yes	0.705
L40S 48GB	48	Q4	509.1 est.	Yes	0.064
Mac Studio M3 Ultra 96GB	96	Q4	482.6 est.	Yes	0.121
Mac Studio M2 Ultra 192GB	192	Q4	471.4 est.	Yes	0.067
RX 7900 XT 20GB	20	Q4	471.4 est.	Yes	0.524
RTX A6000 48GB	48	Q4	452.5 est.	Yes	0.101
RTX 3080 10GB	10	Q4	447.8 est.	Yes	0.641
RTX 4080 Super 16GB	16	Q4	433.7 est.	Yes	0.434
RTX 4070 Ti Super 16GB	16	Q4	396.0 est.	Yes	0.496
RTX 5070 12GB	12	Q4	396.0 est.	Yes	0.721
RX 9070 16GB	16	Q4	377.1 est.	Yes	0.687
RX 9070 XT 16GB	16	Q4	377.1 est.	Yes	0.63
RX 7800 XT 16GB	16	Q4	367.7 est.	Yes	0.737
RX 7900 GRE 16GB	16	Q4	339.4 est.	Yes	0.618
A100 80GB SXM4	80	FP16	330.4 est.	Yes	0.022
Arc A770 16GB	16	Q4	330.0 est.	Yes	0.946
RTX 4070 Ti 12GB	12	Q4	326.4 est.	Yes	0.409
MacBook Pro M4 Max 128GB	128	Q4	321.7 est.	Yes	0.073
RTX 4070 12GB	12	Q4	297.0 est.	Yes	0.496
RTX 4070 Super 12GB	12	Q4	297.0 est.	Yes	0.496
RTX 5090 32GB	32	FP16	290.4 est.	Yes	0.145
Arc B580 12GB	12	Q4	268.7 est.	Yes	1.079
RTX 5060 8GB	8	Q4	264.0 est.	Yes	0.883
RTX 5060 Ti 8GB	8	Q4	264.0 est.	Yes	0.697
RTX 5060 Ti 16GB	16	Q4	264.0 est.	Yes	0.615
RTX 3070 8GB	8	Q4	264.0 est.	Yes	0.529
RX 7700 XT 12GB	12	Q4	254.5 est.	Yes	0.567
MacBook Pro M3 Max 128GB	128	Q4	235.7 est.	Yes	0.056
Arc B570 10GB	10	Q4	223.9 est.	Yes	1.022
RTX 3060 12GB	12	Q4	212.1 est.	Yes	0.645
T4 16GB	16	Q4	188.6 est.	Yes	0.094
RTX 4060 Ti 8GB	8	Q4	169.7 est.	Yes	0.425
RTX 4060 Ti 16GB	16	Q4	169.7 est.	Yes	0.34
RX 7600 8GB	8	Q4	169.7 est.	Yes	0.631
RX 7600 XT 16GB	16	Q4	169.7 est.	Yes	0.516
RTX 4090 24GB	24	FP16	163.3 est.	Yes	0.102
RTX 4090D 24GB (China)	24	FP16	163.3 est.	Yes	0.102
RTX 3090 Ti 24GB	24	FP16	163.3 est.	Yes	0.082
Mac mini M4 Pro 64GB	64	Q4	160.9 est.	Yes	0.073
RTX 4060 8GB	8	Q4	160.3 est.	Yes	0.536
RTX 5080 16GB	16	FP16	155.6 est.	Yes	0.156
RX 7900 XTX 24GB	24	FP16	155.6 est.	Yes	0.156
RTX 6000 Ada 48GB	48	FP16	155.6 est.	Yes	0.023
RTX 3090 24GB	24	FP16	151.7 est.	Yes	0.101
RTX 5070 Ti 16GB	16	FP16	145.2 est.	Yes	0.194
L40S 48GB	48	FP16	140.0 est.	Yes	0.018
Mac Studio M3 Ultra 96GB	96	FP16	132.7 est.	Yes	0.033
Mac Studio M2 Ultra 192GB	192	FP16	129.6 est.	Yes	0.019
RX 7900 XT 20GB	20	FP16	129.6 est.	Yes	0.144
RTX A6000 48GB	48	FP16	124.4 est.	Yes	0.028
RTX 3080 10GB	10	FP16	123.1 est.	Yes	0.176
RTX 4080 Super 16GB	16	FP16	119.3 est.	Yes	0.119
RTX 4070 Ti Super 16GB	16	FP16	108.9 est.	Yes	0.136
RTX 5070 12GB	12	FP16	108.9 est.	Yes	0.198
RX 9070 16GB	16	FP16	103.7 est.	Yes	0.189
RX 9070 XT 16GB	16	FP16	103.7 est.	Yes	0.173
RX 7800 XT 16GB	16	FP16	101.1 est.	Yes	0.203
RX 7900 GRE 16GB	16	FP16	93.3 est.	Yes	0.17
Arc A770 16GB	16	FP16	90.7 est.	Yes	0.26
RTX 4070 Ti 12GB	12	FP16	89.8 est.	Yes	0.112
MacBook Pro M4 Max 128GB	128	FP16	88.5 est.	Yes	0.02
RTX 4070 12GB	12	FP16	81.7 est.	Yes	0.136
RTX 4070 Super 12GB	12	FP16	81.7 est.	Yes	0.136
Arc B580 12GB	12	FP16	73.9 est.	Yes	0.297
RTX 5060 8GB	8	FP16	72.6 est.	Yes	0.243
RTX 5060 Ti 8GB	8	FP16	72.6 est.	Yes	0.192
RTX 5060 Ti 16GB	16	FP16	72.6 est.	Yes	0.169
RTX 3070 8GB	8	FP16	72.6 est.	Yes	0.145
Mac mini M4 32GB	32	Q4	70.7 est.	Yes	0.071
RX 7700 XT 12GB	12	FP16	70.0 est.	Yes	0.156
MacBook Pro M3 Max 128GB	128	FP16	64.8 est.	Yes	0.015
Arc B570 10GB	10	FP16	61.6 est.	Yes	0.281
RTX 3060 12GB	12	FP16	58.3 est.	Yes	0.177
T4 16GB	16	FP16	51.9 est.	Yes	0.026
RTX 4060 Ti 8GB	8	FP16	46.7 est.	Yes	0.117
RTX 4060 Ti 16GB	16	FP16	46.7 est.	Yes	0.094
RX 7600 8GB	8	FP16	46.7 est.	Yes	0.174
RX 7600 XT 16GB	16	FP16	46.7 est.	Yes	0.142
Mac mini M4 Pro 64GB	64	FP16	44.2 est.	Yes	0.02
RTX 4060 8GB	8	FP16	44.1 est.	Yes	0.147
Mac mini M4 32GB	32	FP16	19.4 est.	Yes	0.019

Fit checks

• RTX 5090 32GB — fits · ≈1055.9 tok/s Q4 est.
• RTX 3090 Ti 24GB — fits · ≈593.9 tok/s Q4 est.
• RTX 4090 24GB — fits · ≈593.9 tok/s Q4 est.
• RTX 5080 16GB — fits · ≈565.7 tok/s Q4 est.
• RTX 6000 Ada 48GB — fits · ≈565.7 tok/s Q4 est.
• RX 7900 XTX 24GB — fits · ≈565.7 tok/s Q4 est.
• RTX 3090 24GB — fits · ≈551.5 tok/s Q4 est.
• RTX 5070 Ti 16GB — fits · ≈527.9 tok/s Q4 est.
• L40S 48GB — fits · ≈509.1 tok/s Q4 est.
• Mac Studio M3 Ultra 96GB — fits · ≈482.6 tok/s Q4 est.
• Mac Studio M2 Ultra 192GB — fits · ≈471.4 tok/s Q4 est.
• RX 7900 XT 20GB — fits · ≈471.4 tok/s Q4 est.

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