NVIDIA GeForce RTX 5080
La NVIDIA GeForce RTX 5080 est une carte graphique destinée à l’inférence locale, c’est-à-dire à l’exécution de modèles d’IA directement sur la machine. Son GPU Blackwell GB203, une architecture de calcul de NVIDIA, réunit 10 752 cœurs CUDA, des unités conçues pour le traitement parallèle.
La NVIDIA GeForce RTX 5080 est une carte graphique destinée à l’inférence locale, c’est-à-dire à l’exécution de modèles d’IA directement sur la machine. Son GPU Blackwell GB203, une architecture de calcul de NVIDIA, réunit 10 752 cœurs CUDA, des unités conçues pour le traitement parallèle.
Avec 16 Go de GDDR7, une mémoire graphique à haut débit, et 960 Go/s de bande passante, elle cible principalement les modèles jusqu’à 14 milliards de paramètres. Son TDP de 360 W, l’enveloppe de puissance de référence, la place dans le segment performant de NVIDIA, avec un prix officiel de 999 USD au lancement.
Carte d'identité
| Caractéristique | Valeur |
|---|---|
| Constructeur | NVIDIA |
| Catégorie | Cartes graphiques |
| Statut | Disponible |
| Date de sortie | 30 janvier 2025 |
| Mémoire | 16 Go (GDDR7) |
| Bande passante mémoire | 960 Go/s |
| Consommation (TDP) | 360 W |
| GPU | Blackwell GB203, 10 752 cœurs CUDA |
| Format | Carte PCIe (2 slots) |
| Extensible | Non |
| Prix officiel | 999 $ (NVIDIA, 30 janvier 2025) |
| Fiche constructeur | specs officielles |
Quels modèles peut-elle faire tourner ?
| Modèle étalon | Verdict |
|---|---|
| 8 B (Llama 3.1 8B, Q4) | ✅ À l'aise |
| 14 B (Qwen3 14B, Q4) | ✅ À l'aise |
| 32 B (Qwen3 32B, Q4) | ❌ Trop grand |
| 70 B (Llama 3.3 70B, Q4) | ❌ Trop grand |
| 120 B MoE (gpt-oss-120B, MXFP4) | ❌ Trop grand |
Estimation mémoire : environ 0,6 Go par milliard de paramètres en Q4, plus le contexte. « Juste » : le modèle se charge mais le contexte utilisable est réduit.
Performances mesurées
| Modèle | Quantisat° | Lecture | Génération | Runtime | Source |
|---|---|---|---|---|---|
| Llama 3.1 8B | Q4_K_M | n.d. | 95 tok/s | llama.cpp | LocalScore (10 juillet 2026) |
« Lecture » (prompt processing) : vitesse d'ingestion du contexte. « Génération » : vitesse d'écriture de la réponse, celle que l'on perçoit à l'usage. Deux mesures ne sont comparables qu'à modèle, quantisation et runtime identiques.
Efficience
| Métrique | Valeur |
|---|---|
| Génération par tranche de 1 000 $ investis | 95,1 tok/s |
| Génération par watt (TDP) | 0,26 tok/s/W |
Calculée sur la meilleure mesure de génération Llama 3.1 8B de cette fiche, au prix de référence 999 $ (NVIDIA, 30 janvier 2025). Indicative : le prix varie et la consommation réelle en inférence est inférieure au TDP.
Notre analyse
Les 16 Go de mémoire permettent d’exécuter confortablement Llama 3.1 8B et Qwen3 14B en Q4, une quantification qui réduit la précision numérique pour diminuer l’empreinte mémoire. En revanche, Qwen3 32B, Llama 3.3 70B et gpt-oss-120B dépassent cette capacité, même lorsque ce dernier utilise MXFP4, un format numérique compact sur 4 bits. gpt-oss-120B est aussi un MoE, ou mélange d’experts, une architecture qui n’active qu’une partie de ses paramètres à chaque calcul.
La bande passante de 960 Go/s accompagne une génération mesurée à 95 tok/s sur Llama 3.1 8B avec llama.cpp, un moteur d’inférence local, en Q4_K_M, une variante de quantification sur 4 bits. Le tok/s, nombre de fragments de texte générés par seconde, traduit ici une cadence élevée. Au prix officiel de 999 USD, la carte constitue le meilleur rapport performance/prix NVIDIA indiqué pour les modèles jusqu’à 14B. Son efficience atteint 0,26 tok/s par watt sur la base du TDP. Le format PCIe à deux slots facilite son intégration comme carte dédiée, mais l’enveloppe de 360 W impose une alimentation adaptée. La disponibilité est annoncée, tandis qu’aucune donnée vérifiée ne précise le bruit, les stocks réels ou d’éventuelles contraintes logicielles. Elle a surtout du sens pour une station locale centrée sur des modèles quantifiés de 8B à 14B.
Sources : specs NVIDIA, LocalScore.