Page d'accueil>Lié à la programmation>Autre code source
Télécharger

Benchmarks GPU sur l'inférence LLM

Plusieurs GPU NVIDIA ou Apple Silicon pour l'inférence de modèles de langage étendus ? ?

Description

Utilisez llama.cpp pour tester la vitesse d'inférence des modèles LLaMA de différents GPU sur RunPod, MacBook Air M1 13 pouces, MacBook Pro M1 Max 14 pouces, M2 Ultra Mac Studio et MacBook Pro M3 Max 16 pouces pour LLaMA 3.

Aperçu

Vitesse moyenne (jetons/s) de génération de 1024 jetons par GPU sur LLaMA 3. Une vitesse plus élevée est préférable.

GPU 8B Q4_K_M 8B F16 70B Q4_K_M 70B F16
3070 8 Go 70,94 MOO MOO MOO
3080 10 Go 106.40 MOO MOO MOO
3080 Ti 12 Go 106.71 MOO MOO MOO
4070 Ti 12 Go 82.21 MOO MOO MOO
4080 16 Go 106.22 40.29 MOO MOO
RTX 4000 Ada 20 Go 58.59 20h85 MOO MOO
3090 24 Go 111.74 46.51 MOO MOO
4090 24 Go 127,74 54.34 MOO MOO
RTX 5000 Ada 32 Go 89,87 32,67 MOO MOO
3090 24 Go * 2 108.07 47h15 16h29 MOO
4090 24 Go * 2 122,56 53.27 19.06 MOO
RTX-A6000 48 Go 102.22 40.25 14h58 MOO
RTX 6000 Ada 48 Go 130,99 51,97 18h36 MOO
A40 48 Go 88,95 33,95 12.08 MOO
L40S 48 Go 113,60 43.42 15h31 MOO
RTX 4000 Ada 20 Go * 4 56.14 20h58 7.33 MOO
A100 PCIe 80 Go 138.31 54.56 22.11 MOO
A100 SXM 80 Go 133.38 53.18 24h33 MOO
H100 PCIe 80 Go 144,49 67,79 25.01 MOO
3090 24 Go * 4 104,94 46h40 16.89 MOO
4090 24 Go * 4 117.61 52,69 18.83 MOO
RTX 5000 Ada 32 Go * 4 82,73 31.94 11h45 MOO
3090 24 Go * 6 101.07 45.55 16.93 5,82
4090 24 Go * 8 116.13 52.12 18.76 6h45
RTX A6000 48 Go * 4 93.73 38,87 14h32 4,74
RTX 6000 Ada 48 Go * 4 118,99 50.25 17.96 6.06
A40 48 Go * 4 83,79 33.28 11.91 3,98
L40S 48 go * 4 105,72 42.48 14,99 5.03
A100 PCIe 80 Go * 4 117h30 51.54 22.68 7.38
A100 SXM 80 Go * 4 97.70 45h45 19h60 6,92
H100 PCIe 80 Go * 4 118.14 62,90 26h20 9.63
GPU M1 7 cœurs 8 Go 9.72 MOO MOO MOO
GPU M1 Max 32 cœurs 64 Go 34.49 18h43 4.09 MOO
GPU M2 Ultra 76 cœurs 192 Go 76.28 36.25 12.13 4,71
GPU M3 Max 40 cœurs 64 Go 50,74 22h39 7.53 MOO

Vitesse d'évaluation moyenne de 1 024 jetons (jetons/s) par GPU sur LLaMA 3.

GPU 8B Q4_K_M 8B F16 70B Q4_K_M 70B F16
3070 8 Go 2283.62 MOO MOO MOO
3080 10 Go 3557.02 MOO MOO MOO
3080 Ti 12 Go 3556.67 MOO MOO MOO
4070 Ti 12 Go 3653.07 MOO MOO MOO
4080 16 Go 5064.99 6758.90 MOO MOO
RTX 4000 Ada 20 Go 2310.53 2951.87 MOO MOO
3090 24 Go 3865.39 4239.64 MOO MOO
4090 24 Go 6898.71 9056.26 MOO MOO
RTX 5000 Ada 32 Go 4467.46 5835.41 MOO MOO
3090 24 Go * 2 4004.14 4690.50 393,89 MOO
4090 24 Go * 2 8545.00 11094.51 905.38 MOO
RTX-A6000 48 Go 3621.81 4315.18 466.82 MOO
RTX 6000 Ada 48 Go 5560.94 6205.44 547.03 MOO
A40 48 Go 3240,95 4043.05 239,92 MOO
L40S 48 Go 5908.52 2491.65 649.08 MOO
RTX 4000 Ada 20 Go * 4 3369.24 4366.64 306.44 MOO
A100 PCIe 80 Go 5800.48 7504.24 726,65 MOO
A100 SXM 80 Go 5863.92 681.47 796.81 MOO
H100 PCIe 80 Go 7760.16 10342.63 984.06 MOO
3090 24 Go * 4 4653.93 5713.41 350.06 MOO
4090 24 Go * 4 9609.29 12304.19 898.17 MOO
RTX 5000 Ada 32 Go * 4 6530.78 2877.66 541.54 MOO
3090 24 Go * 6 5153.05 5952.55 739.40 927.23
4090 24 Go * 8 9706.82 11818.92 1336.26 1890.48
RTX A6000 48 Go * 4 5340.10 6448.85 539.20 792.23
RTX 6000 Ada 48 Go * 4 9679.55 12637.94 714.93 1270.39
A40 48 Go * 4 4841.98 5931.06 263.36 900,79
L40S 48 go * 4 9008.27 2541.61 634.05 1478.83
A100 PCIe 80 Go * 4 8889.35 11670.74 978.06 1733.41
A100 SXM 80 Go * 4 7782.25 674.11 539.08 1834.16
H100 PCIe 80 Go * 4 11560.23 15612.81 1133.23 2420.10
GPU M1 7 cœurs 8 Go 87.26 MOO MOO MOO
GPU M1 Max 32 cœurs 64 Go 355,45 418,77 33.01 MOO
GPU M2 Ultra 76 cœurs 192 Go 1023,89 1202.74 117,76 145,82
GPU M3 Max 40 cœurs 64 Go 678.04 751.49 62,88 MOO

Modèle

Merci à Shawwn pour les poids des modèles LLaMA (7B, 13B, 30B, 65B) : lama-dl. Accédez à LLaMA 2 depuis Meta AI. Accédez à LLaMA 3 depuis Meta Llama 3 sur Hugging Face ou mes dépôts Hugging Face : Xiongjie Dai.

Usage

Construire

  • Pour les GPU NVIDIA, cela fournit une accélération BLAS en utilisant les cœurs CUDA de votre GPU Nvidia : 

     ! make clean && LLAMA_CUBLAS=1 make -j

  • Pour Apple Silicon, Metal est activé par défaut : 

     ! make clean && make -j

Achèvement du texte

Utilisez l'argument -ngl 0 pour utiliser uniquement le CPU pour l'inférence et -ngl 10000 pour garantir que toutes les couches sont déchargées sur le GPU. 

 ! ./main -ngl 10000 -m ./models/8B-v3/ggml-model-Q4_K_M.gguf --color --temp 1.1 --repeat_penalty 1.1 -c 0 -n 1024 -e -s 0 -p " " " 
First Citizen:nn 
Before we proceed any further, hear me speak.nn 
nn 
All:nn 
Speak, speak.nn 
nn 
First Citizen:nn 
You are all resolved rather to die than to famish?nn 
nn 
All:nn 
Resolved. resolved.nn 
nn 
First Citizen:nn 
First, you know Caius Marcius is chief enemy to the people.nn 
nn 
All:nn 
We know't, we know't.nn 
nn 
First Citizen:nn 
Let us kill him, and we'll have corn at our own price. Is't a verdict?nn 
nn 
All:nn 
No more talking on't; let it be done: away, away!nn 
nn 
Second Citizen:nn 
One word, good citizens.nn 
nn 
First Citizen:nn 
We are accounted poor citizens, the patricians good. What authority surfeits on would relieve us: if they would yield us but the superfluity, 
while it were wholesome, we might guess they relieved us humanely; but they think we are too dear: the leanness that afflicts us, the object of 
our misery, is as an inventory to particularise their abundance; our sufferance is a gain to them Let us revenge this with our pikes, 
ere we become rakes: for the gods know I speak this in hunger for bread, not in thirst for revenge.nn 
nn 
" " "

Remarque : Pour Apple Silicon, vérifiez la recommendedMaxWorkingSetSize dans le résultat pour voir la quantité de mémoire qui peut être allouée sur le GPU et maintenir ses performances. Seuls 70 % de la mémoire unifiée peuvent actuellement être alloués au GPU sur 32 Go M1 Max, et nous prévoyons environ 78 % de mémoire utilisable pour le GPU sur une mémoire plus grande. (Source : https://developer.apple.com/videos/play/tech-talks/10580/?time=346) Pour utiliser toute la mémoire, utilisez -ngl 0 pour utiliser uniquement le processeur à des fins d'inférence. (Merci à : ggerganov/llama.cpp#1826)

Modèle de discussion pour LLaMA 3 ??? 

 ! ./main -ngl 10000 -m ./models/8B-v3-instruct/ggml-model-Q4_K_M.gguf --color -c 0 -n -2 -e -s 0 --mirostat 2 -i --no-display-prompt --keep -1 
-r ' <|eot_id|> ' -p ' <|begin_of_text|><|start_header_id|>system<|end_header_id|>nnYou are a helpful assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>nnHi!<|eot_id|><|start_header_id|>assistant<|end_header_id|>nn ' 
--in-prefix ' <|start_header_id|>user<|end_header_id|>nn ' --in-suffix ' <|eot_id|><|start_header_id|>assistant<|end_header_id|>nn '

Référence 

 ! ./llama-bench -p 512,1024,4096,8192 -n 512,1024,4096,8192 -m ./models/8B-v3/ggml-model-Q4_K_M.gguf

Exigences totales de VRAM

Modèle Taille quantifiée (Q4_K_M) Taille originale (f16)
8B 4,58 Go 14,96 Go
70B 39,59 Go 131,42 Go

Vous pouvez estimer les besoins en VRAM à l'aide de cet outil : LLM RAM Calculator

Table de perplexité sur LLaMA 3 70B

Moins de perplexité, c’est mieux. (crédit à : danger003)

Quantification Taille (Gio) Perplexité (wiki.test) Delta (FP16)
IQ1_S 14.29 9,8655 +/-0,0625 248,51%
QI1_M 15h60 8,5193 +/-0,0530 201,94%
IQ2_XXS 17.79 6,6705 +/-0,0405 135,64%
IQ2_XS 19.69 5,7486 +/-0,0345 103,07%
IQ2_S 20.71 5,5215 +/-0,0318 95,05%
Q2_K_S 22.79 5,4334 +/-0,0325 91,94%
IQ2_M 22h46 4,8959 +/-0,0276 72,35%
Q2_K 24h56 4,7763 +/-0,0274 68,73%
IQ3_XXS 25.58 3,9671 +/-0,0211 40,14%
IQ3_XS 27.29 3,7210 +/-0,0191 31,45%
Q3_K_S 28.79 3,6502 +/-0,0192 28,95%
IQ3_S 28.79 3,4698 +/-0,0174 22,57%
IQ3_M 29.74 3,4402 +/-0,0171 21,53%
Q3_K_M 31.91 3,3617 +/-0,0172 18,75%
Q3_K_L 34.59 3,3016 +/-0,0168 16,63%
IQ4_XS 35h30 3,0310 +/-0,0149 7,07%
IQ4_NL 37h30 3,0261 +/-0,0149 6,90%
Q4_K_S 37.58 3,0050 +/-0,0148 6,15%
Q4_K_M 39.60 2,9674 +/-0,0146 4,83%
Q5_K_S 45.32 2,8843 +/-0,0141 1,89%
Q5_K_M 46.52 2,8656 +/-0,0139 1,23%
Q6_K 53.91 2,8441 +/-0,0138 0,47%
Q8_0 69,83 2,8316 +/-0,0138 0,03%
F16 131.43 2,8308 +/-0,0138 0,00%

Repères

TG signifie « génération de texte » et PP signifie « traitement rapide ». # pour le total des jetons générés/traités. OOM signifie manque de mémoire. Vitesse moyenne en jetons/s.

LLaMA 3 ???:

GPU NVIDIA Gaming (OS : Ubuntu 22.04.2 LTS, pytorch :2.2.0, py : 3.10, cuda : 12.1.1 sur RunPod) (instantanés de mai 2024)

GPU Modèle TG 512 TG 1024 TG 4096 tg 8192 pages 512 pages 1024 pages 4096 pages 8192
3070 8 Go 8B Q4_K_M 72,79 70,94 67.01 61,64 2402.51 2283.62 1826.59 1419.97
3080 10 Go 8B Q4_K_M 109,57 106.40 98,67 89.90 3728.86 3557.02 2852.06 2232.21
3080 Ti 12 Go 8B Q4_K_M 110,60 106.71 98.34 88,63 3690.30 3556.67 2947.11 2381.52
4070 Ti 12 Go 8B Q4_K_M 83,50 82.21 78.59 73.46 3936.29 3653.07 2729.71 2019.71
4080 16 Go 8B Q4_K_M 108.15 106.22 100,44 93.71 5389.74 5064.99 3790.96 2882.03
8B F16 40.58 40.29 39.44 MOO 7246.97 6758.90 4720.22 MOO
3090 24 Go 8B Q4_K_M 115.42 111.74 97.31 87.49 4030.40 3865.39 3169.91 2527.40
8B F16 47h40 46.51 44,79 42,62 4444.65 4239.64 3410.47 2667.14
4090 24 Go 8B Q4_K_M 130,58 127,74 119.44 110,66 7138.99 6898.71 5265.68 4039.68
8B F16 54,84 54.34 52,63 50,88 9382.00 9056.26 6531.36 4744.18
3090 24 Go * 2 8B Q4_K_M 111,67 108.07 99.60 90,77 3336.37 4004.14 4013.34 3433.59
8B F16 47.72 47h15 45.56 43.61 4122.66 4690.50 4788.60 3851.37
70B Q4_K_M 16h57 16h29 15h36 14.34 357.32 393,89 379,52 338,82
4090 24 Go * 2 8B Q4_K_M 124,65 122,56 114.32 106.18 7003.51 8545.00 8422.04 6895.68
8B F16 53,64 53.27 51,64 49,83 9177.92 11094.51 10329.29 8067.29
70B Q4_K_M 19.22 19.06 18h54 17.92 839.43 905.38 846.38 723.24
3090 24 Go * 4 8B Q4_K_M 108,66 104,94 97.09 88.35 3742.66 4653.93 5826.91 4913.40
8B F16 47.07 46h40 44,76 42,81 4608.40 5713.41 6596.17 5361.52
70B Q4_K_M 17.07 16.89 16.24 15h39 300,79 350.06 367,75 331.37
4090 24 Go * 4 8B Q4_K_M 120.32 117.61 110.52 103.13 6748.96 9609.29 12491.10 10993.75
8B F16 53.10 52,69 51h00 49.21 8750.57 12304.19 15143.84 12919.74
70B Q4_K_M 19h80 18.83 18h35 17.66 834.74 898.17 839,97 718.01
3090 24 Go * 6 8B Q4_K_M 104.17 101.07 94.06 85,93 3359.99 5153.05 7690.65 7084.44
8B F16 46.23 45.55 43,99 42h15 3875.97 5952.55 9437.91 8780.49
70B Q4_K_M 17.09 16.93 16h32 15h45 456,95 739.40 786.79 695.44
70B F16 5,85 5,82 5,76 5.53 579,00 927.23 998,79 813,99
4090 24 Go * 8 8B Q4_K_M 118.09 116.13 108.37 100,95 6172.06 9706.82 15089.45 13802.08
8B F16 52.51 52.12 50.39 48.72 7889.26 11818.92 16462.18 14300.98
70B Q4_K_M 18.94 18.76 18.23 17h57 812,95 1336.26 1488.36 1320.36
70B F16 6.47 6h45 6.39 6.31 1183.87 1890.48 2311.43 1995.85

GPU NVIDIA Professional (OS : Ubuntu 22.04.2 LTS, pytorch :2.2.0, py : 3.10, cuda : 12.1.1 sur RunPod) (instantanés de mai 2024)

GPU Modèle TG 512 TG 1024 TG 4096 tg 8192 pages 512 pages 1024 pages 4096 pages 8192
RTX 4000 Ada 20 Go 8B Q4_K_M 59.15 58.59 55,94 52.39 2451.93 2310.53 1798.01 1337.15
8B F16 20.92 20h85 20h50 20.01 3121.67 2951.87 2200.58 1557.00
RTX 5000 Ada 32 Go 8B Q4_K_M 91.39 89,87 85.01 80.00 4761.12 4467.46 3272.94 2422.33
8B F16 32,84 32,67 32.04 31.27 6160.57 5835.41 4008.30 2808.89
RTX-A6000 48 Go 8B Q4_K_M 105.39 102.22 94,82 86,73 3780.55 3621.81 2917.23 2292.61
8B F16 40.71 40.25 39.14 37,73 4511.02 4315.18 3365.79 2566.46
70B Q4_K_M 14.71 14h58 14.09 13h42 482.19 466.82 404.61 340,73
RTX 6000 Ada 48 Go 8B Q4_K_M 133.44 130,99 120,74 111.57 5791.74 5560.94 4495.19 3542.57
8B F16 52.32 51,97 50.21 48,79 6663.13 6205.44 4969.46 3915.81
70B Q4_K_M 18h52 18h36 17h80 16.97 565,98 547.03 481,59 419,76
A40 48 Go 8B Q4_K_M 91.27 88,95 83.10 76.45 3324,98 3240,95 2586.50 2013.34
8B F16 34.26 33,95 33.06 31.93 4203.75 4043.05 3069.98 2295.02
70B Q4_K_M 11h60 12.08 11h68 11.26 209.38 239,92 268,89 291.13
L40S 48 Go 8B Q4_K_M 115,55 113,60 105,50 97,98 6035.24 5908.52 4335.18 3192.70
8B F16 43,69 43.42 42.22 41.05 2253.93 2491.65 2887.70 3312.16
70B Q4_K_M 15h46 15h31 14.92 14h45 673.63 649.08 542.29 446.48
RTX 4000 Ada 20 Go * 4 8B Q4_K_M 56,64 56.14 53.58 50.19 2413.07 3369.24 4404.45 3733.15
8B F16 20h65 20h58 20.24 19.74 3220.21 4366.64 5366.39 4323.70
70B Q4_K_M 7.36 7.33 7.12 6,84 282.28 306.44 290,70 243.45
A100 PCIe 80 Go 8B Q4_K_M 140,62 138.31 127.22 117,60 5981.04 5800.48 4959.84 4083.37
8B F16 54,84 54.56 53.02 51.24 7741.34 7504.24 6137.54 4849.11
70B Q4_K_M 22h31 22.11 20.93 19h53 744.12 726,65 653.20 573,95
A100 SXM 80 Go 8B Q4_K_M 135.04 133.38 125.09 115,92 5947.64 5863.92 5121.60 4137.08
8B F16 53.49 53.18 52.03 50.52 603.76 681.47 866.13 1323.07
70B Q4_K_M 24.61 24h33 22.91 21h32 817.58 796.81 714.07 625,66
H100 PCIe 80 Go 8B Q4_K_M 145,55 144,49 136.06 126,83 8125.45 7760.16 6423.31 5185.03
8B F16 68.03 67,79 65,97 63,55 10815.51 10342.63 8106.53 6191.45
70B Q4_K_M 25.03 25.01 23.82 22h39 1012.73 984.06 863.37 741.52
RTX 5000 Ada 32 Go * 4 8B Q4_K_M 84.07 82,73 78.45 74.11 4671.34 6530.78 8004.94 6790.82
8B F16 32.10 31.94 31.32 30.58 2427.96 2877.66 3836.89 5235.00
70B Q4_K_M 11h51 11h45 11.24 10.94 502.37 541.54 504.23 424.29
RTX A6000 48 Go * 4 8B Q4_K_M 96.48 93.73 87,72 80,88 3712.99 5340.10 7126.45 6438.82
8B F16 39.34 38,87 37,81 36.51 4508.60 6448.85 8327.16 7298.18
70B Q4_K_M 14h44 14h32 13.91 13h32 496.08 539.20 511.22 434.31
70B F16 4,76 4,74 4,70 4,63 510.31 792.23 751.37 748.06
RTX 6000 Ada 48 Go * 4 8B Q4_K_M 121.21 118,99 110,65 103.18 6640.86 9679.55 11734.85 10278.14
8B F16 50.61 50.25 48,69 47.18 8953.30 12637.94 13971.34 11702.36
70B Q4_K_M 18.13 17.96 17h49 16.89 656.61 714.93 697.10 612.54
70B F16 6.08 6.06 6.01 5,94 864.12 1270.39 1363.75 1182.28
A40 48 Go * 4 8B Q4_K_M 85.91 83,79 78.56 72,70 3321.27 4841.98 6442.38 5742.84
8B F16 33.60 33.28 32.42 31.38 4144.88 5931.06 7544.92 6516.60
70B Q4_K_M 11,99 11.91 11h60 11.17 236,86 263.36 300,57 312.31
70B F16 3,99 3,98 3,95 3,90 610.51 900,79 893.28 735.16
L40S 48 go * 4 8B Q4_K_M 107.53 105,72 98.59 92.20 6125.69 9008.27 10566.97 9017.90
8B F16 42,70 42.48 41.33 40.19 2211.45 2541.61 3093.33 4336.81
70B Q4_K_M 15.12 14,99 14.63 14.17 591.05 634.05 605.66 541,67
70B F16 5.05 5.03 4,99 4,94 1042.13 1478.83 1427.77 1150.63
A100 PCIe 80 Go * 4 8B Q4_K_M 119.28 117h30 110,75 103,87 6076.58 8889.35 12724.54 11803.39
8B F16 51,63 51.54 50.20 48.73 8088.79 11670.74 16025.11 14269.17
70B Q4_K_M 22.91 22.68 21h41 19.96 771.28 978.06 1138.60 1043.15
70B F16 7h40 7.38 7.23 7.06 1172.14 1733.41 1846.36 1592.37
A100 SXM 80 Go * 4 8B Q4_K_M 99,73 97.70 92.09 86.27 4850.88 7782.25 12242.53 11535.66
8B F16 45.53 45h45 44.33 43.09 626,75 674.11 1003.37 1612.05
70B Q4_K_M 19.87 19h60 18h48 17h19 468,86 539.08 712.08 802.23
70B F16 6,95 6,92 6,77 6,58 1233.31 1834.16 1972.48 1699.56
H100 PCIe 80 Go * 4 8B Q4_K_M 123.08 118.14 113.12 110.34 8054.58 11560.23 16128.27 14682.97
8B F16 64h00 62,90 61.45 59,72 11107.40 15612.81 20561.03 17762.96
70B Q4_K_M 26h40 26h20 24h60 23.68 1048.29 1133.23 1088,99 950.92
70B F16 9.67 9.63 9h46 9.23 1681.45 2420.10 2437.53 2031.77

Apple Silicon (instantanés de mai 2024)

GPU Modèle TG 512 tg 1024 tg 4096 tg 8192 pages 512 pages 1024 pages 4096 pages 8192
GPU M1 7 cœurs 8 Go 8B Q4_K_M 10h20 9.72 11h77 MOO 94.48 87.26 96.53 MOO
GPU M1 Max 32 cœurs 64 Go 8B Q4_K_M 35,73 34.49 31.18 26.84 408.23 355,45 329,84 302.92
8B F16 18h75 18h43 16h33 15.03 517.34 418,77 374.09 351.46
70B Q4_K_M 4.34 4.09 4.09 3,71 34,96 33.01 32,64 30,97
GPU M2 Ultra 76 cœurs 192 Go 8B Q4_K_M 78.81 76.28 64,58 54.13 994.04 1023,89 979.47 913.55
8B F16 36,90 36.25 33,67 30.68 1175.40 1202.74 1194.21 1103.44
70B Q4_K_M 12h48 12.13 10h75 9.34 118,79 117,76 109.53 108,57
70B F16 4,76 4,71 4.48 4.23 147,58 145,82 133,75 135.15
GPU M3 Max 40 cœurs 64 Go 8B Q4_K_M 48,97 50,74 44.21 36.12 693.32 678.04 573.09 505.32
8B F16 22.04 22h39 20.72 18.74 769.84 751.49 609,97 515.15
70B Q4_K_M 7.65 7.53 6,58 5.60 70.19 62,88 64,90 61,96

Conclusion

Mêmes performances sous les mêmes modèles de taille et de quantification. Plusieurs GPU NVIDIA peuvent affecter les performances de génération de texte, mais peuvent néanmoins augmenter la vitesse de traitement des invites.

Achetez des GPU de jeu NVIDIA pour économiser de l'argent. Achetez des GPU professionnels pour votre entreprise. Achetez un Mac si vous souhaitez installer votre ordinateur sur votre bureau, économiser de l'énergie, rester silencieux, ne pas avoir besoin de maintenance et vous amuser davantage. ?

Si vous trouvez ces informations utiles, donnez-moi une étoile. ️ N'hésitez pas à me contacter si vous avez des conseils. Merci. ?

Développer
Informations supplémentaires
Applications connexes
Recommandé pour vous
Actualités connexes Tout