H200 141GB SXM5 能跑 Llama-3.1-8B-Instruct 吗？

NVIDIA · 141 GB HBM3e · 带宽 4800 GB/s · Meta · 8.0B · 模型上下文最长 128K

能——H200 141GB SXM5（141 GB HBM3e）可以运行 Llama-3.1-8B-Instruct。Q4、默认 8K 上下文下约需 7.0 GB VRAM（权重 4.4 GB + KV cache 1.6 GB + 运行时开销 1 GB），在 141 GB 之内。 Q4/8K 解码：≈ 381.8 tok/s（估算，batch 1）。 FP16（约需 18.6 GB）也装得下，≈ 105.0 tok/s（估算）。 估算来自显存带宽公式；标注「实测」的行覆盖估算。相对排名比绝对 tok/s 更可靠。 方法论.

各量化与上下文下的装机与速度

量化	上下文	所需 VRAM	装得下？	tok/s（解码）
Q4	4K	6.2 GB	是	381.8 估算
Q4	8K 默认	7.0 GB	是	381.8 估算
Q4	32K	11.8 GB	是	381.8 估算
FP16	4K	17.8 GB	是	105.0 估算
FP16	8K 默认	18.6 GB	是	105.0 估算
FP16	32K	23.4 GB	是	105.0 估算

装得下 = 权重 + KV(上下文) + 1 GB 开销 ≤ 95% VRAM。实测锚点与上下文无关；装机结论按上下文分别计算。tok/s 缺失表示模型远超此卡能力（只能纯 offload）。

8K 上下文 VRAM 明细

量化	权重	KV cache	开销	合计所需	H200 141GB SXM5 VRAM
Q4	4.4 GB	1.6 GB	1 GB	7.0 GB	141 GB
FP16	16.0 GB	1.6 GB	1 GB	18.6 GB	141 GB

其他能跑 Llama-3.1-8B-Instruct 的 GPU

• B200 192GB SXM — ≈636.4 tok/s Q4 估算
• MI300X 192GB — ≈421.6 tok/s Q4 估算
• H100 80GB SXM5 — ≈266.5 tok/s Q4 估算
• Gaudi 3 128GB — ≈260.6 tok/s Q4 估算
• RTX 5090 32GB — ≈214.3 tok/s Q4 实测
• A100 80GB SXM4 — ≈162.2 tok/s Q4 估算
• RTX 4090 24GB — ≈145.0 tok/s Q4 实测
• RTX 6000 Ada 48GB — ≈138.6 tok/s Q4 实测

Llama-3.1-8B-Instruct 的全部 GPU →

H200 141GB SXM5 可跑的其他模型

• MiniCPM5-1B — ≈2828.3 tok/s Q4 估算
• Qwen3.5-2B — ≈1527.3 tok/s Q4 估算
• GLM-4.7-Flash — ≈1018.2 tok/s Q4 估算
• Qwen3-30B-A3B-Instruct-2507 — ≈1018.2 tok/s Q4 估算
• Qwen3-Next-80B-A3B-Instruct — ≈1018.2 tok/s Q4 估算
• Qwen3-Coder-Next — ≈1018.2 tok/s Q4 估算
• Qwen3.5-35B-A3B — ≈1018.2 tok/s Q4 估算
• Qwen3.6-35B-A3B — ≈1018.2 tok/s Q4 估算

H200 141GB SXM5 上的全部模型 →