Benchmark carte × modèle

DeepSeek R1 Distill Qwen 14B sur RTX 5070 Ti Q4_K_M

Fluide

Sur une RTX 5070 Ti (16 Go), DeepSeek R1 Distill Qwen 14B en Q4_K_M génère 82,5 tokens/s et lit le prompt à 3 784 tokens/s, avec 9,2 Go de mémoire vidéo occupée.

Médiane de 1 mesure · dernière le 04/08/26

82,5 tok/s

Génération

3 784 tok/s

Lecture du prompt

9,2 Go

VRAM utilisée (max)

186 W

Conso moyenne

0,44 tok/s/W

Efficacité

0,16 €/M tok

Coût élec. / M tokens · 0,25 €/kWh

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

Fiche RTX 5070 Ti Toutes les cartes sur DeepSeek R1 Distill Qwen 14B 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 16 Go ?	Vitesse estimée
4 096	0,8 Go	9,8 Go	oui	≈ 77,1 tok/s
8 192	1,5 Go	10,6 Go	oui	≈ 71,5 tok/s
16 384	3,0 Go	12,1 Go	oui	≈ 62,5 tok/s
32 768	6,0 Go	15,1 Go	oui	≈ 49,9 tok/s
65 536	12,0 Go	21,1 Go	non	—
131 072	24,0 Go	33,1 Go	non	—

Cache KV par token = 2 × 48 couches × 8 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 »

DeepSeek R1 Distill Qwen 14B sur les autres cartes

Carte	VRAM	Génération	Écart	Prix
RTX 5070 Ti	16 Go	82,5 tok/s	cette carte	1 400 €
RTX 4070 Ti	12 Go	49,3 tok/s	−40,3 %	927 €

Autres modèles mesurés sur la RTX 5070 Ti

Llama 3.2 3B Instruct Q4_K_M 297 tok/s Qwen2.5 7B Instruct Q4_K_M 160 tok/s Meta Llama 3.1 8B Instruct Q4_K_M 151 tok/s Qwen2.5 14B Instruct Q4_K_M 82,5 tok/s Phi-4 Q4_K_M 84,0 tok/s

Toutes les mesures

Date	Source	Type	Génération	Prompt	VRAM	Temp. max	Conso	llama.cpp
04/08/26	mesuré	standard	82,5	3 784	9,2 Go	61 °C	186 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