Benchmark carte × modèle

Qwen2.5 7B Instruct sur RTX 4070 Ti Q4_K_M

Fluide

Sur une RTX 4070 Ti (12 Go), Qwen2.5 7B Instruct en Q4_K_M génère 94,9 tokens/s et lit le prompt à 6 403 tokens/s, avec 5,4 Go de mémoire vidéo occupée.

Médiane de 2 mesures · dernière le 08/08/26

94,9 tok/s

Génération

6 403 tok/s

Lecture du prompt

5,4 Go

VRAM utilisée (max)

158 W

Conso moyenne

0,60 tok/s/W

Efficacité

0,12 €/M tok

Coût élec. / M tokens · 0,25 €/kWh

Estimez votre coût mensuel selon votre tarif et votre usage : connectez-vous

Fiche RTX 4070 Ti Toutes les cartes sur Qwen2.5 7B Instruct Ressentir la vitesse Louer dans le cloud

Où l'acheterLDLC Materiel.net TopAchat Cybertek Grosbill Rue du Commerce Amazon

Et avec un contexte plus long ?

Estimation, pas une mesure : le cache KV grandit avec le contexte, occupe de la VRAM et ralentit la génération.

Contexte	Cache KV	VRAM estimée	Tient en 12 Go ?	Vitesse estimée
4 096	0,2 Go	5,6 Go	oui	≈ 91,3 tok/s
8 192	0,4 Go	5,8 Go	oui	≈ 87,4 tok/s
16 384	0,9 Go	6,2 Go	oui	≈ 80,5 tok/s
32 768	1,8 Go	7,1 Go	oui	≈ 69,5 tok/s

Cache KV par token = 2 × 28 couches × 4 têtes KV × 128 × 2 octets (f16). VRAM estimée = VRAM mesurée + cache KV ajouté. Vitesse ≈ vitesse mesurée × poids ÷ (poids + cache KV ajouté) — le calcul de l'attention n'est pas modélisé, la baisse réelle est un peu plus forte. Régler finement dans le « Configurateur »

Qwen2.5 7B Instruct sur les autres cartes

Carte	VRAM	Génération	Écart	Prix
RTX 5070 Ti	16 Go	160 tok/s	+68,9 %	1 400 €
RTX 4070 Ti	12 Go	94,9 tok/s	cette carte	927 €

Autres modèles mesurés sur la RTX 4070 Ti

Llama 3.2 3B Instruct Q4_K_M 186 tok/s Meta Llama 3.1 8B Instruct Q4_K_M 89,6 tok/s DeepSeek R1 Distill Qwen 14B Q4_K_M 49,3 tok/s Qwen2.5 14B Instruct Q4_K_M 49,2 tok/s Phi-4 Q4_K_M 48,8 tok/s

Toutes les mesures

Date	Source	Type	Génération	Prompt	VRAM	Temp. max	Conso	llama.cpp
08/08/26	mesuré	standard	93,7	6 412	5,4 Go	48 °C	155 W	llama.cpp 96278e39f
04/08/26	mesuré	standard	96,1	6 395	5,4 Go	51 °C	160 W	llama.cpp 96278e39f

Protocole : llama-bench (llama.cpp), prompt 512 + génération 128 tokens, modèle entièrement chargé en VRAM. VRAM utilisée = pic système (inclut l'OS, ~0,5 à 1 Go de plus que le modèle seul). Mesurer ma carte