NVIDIA GeForce GT 625M

Fermi 2.0 · 2 ГБ DDR3 · 96 CUDA · 15 Вт TDP · 2012
Ноутбук

GeForce GT 625M — это мобильный чип архитектуры Fermi 2.0 на базе GF117B. Карта вышла в 2012 году для ультрабюджетных ноутбуков. Она имеет всего 96 CUDA-ядер и частоту до 625 МГц. Память DDR3 объёмом 2 ГБ работает на узкой 64-битной шине. Пропускная способность составляет всего 13 ГБ/с, что ограничивает любые современные задачи. Пиковая производительность FP32 равна 0.2 TFLOPS. Это крайне мало. Даже старые версии архитектуры Tesla работали быстрее в вычислениях. В 2026 году эта железка не имеет смысла для работы или игр. Она годится только для вывода изображения на экран. Конкуренты в бюджетном сегменте сегодня — это встроенная графика Intel UHD Graphics или AMD Radeon Graphics в процессорах Ryzen. Эти решения обходят GT 625M по всем параметрам, потому что они используют быструю системную память и более современные инструкции. Браузер с десятью вкладками может вызвать фризы. Видео в 4K не потянет. Это чистый артефакт прошлого.

Производительность по сценариям

5 component-баллов — сильные стороны и слабости карты в разных задачах.

Шкала 0-100. Топовая карта в каждом сценарии = 100. Кликни строку — увидишь полный топ-100 в этой категории. Подробнее — методика.

Характеристики

Чип

Архитектура
FRM Fermi 2.0
GPU-чип
GF117B
CUDA-ядра
96

Частоты

Базовая
625 МГц
Boost
625 МГц
FP32 пик
0.24 TFLOPS

Память

Объём
2 ГБ DDR3
Шина
64 бит
Частота
800 МГц
Bandwidth
13 ГБ/с

Питание и форм-фактор

TDP
15 Вт

Выходы и интерфейс

Интерфейс
PCIe 2.0 x16

API и технологии

DirectX
11.0
CUDA
2.1

Соседи по рейтингу

Под какие задачи подходит

Балл 1-10 для каждого сценария — пригодность именно для этой задачи (не общий perf-rank).

4K-гейминг 1 / 10

Карта не выдаст даже рабочий стол в 4K без лагов.

1440p 1 / 10

Разрешение слишком высокое для 96 ядер Fermi.

1080p 1 / 10

Даже CS:GO или Dota 2 не запустятся с комфортным FPS.

AI-инференс 1 / 10

Stable Diffusion потребует в 50 раз больше памяти и ядер.

AI-обучение 1 / 10

Обучение нейросетей на этом железе невозможно физически.

3D-рендер 1 / 10

Рендер в Cycles будет идти вечно или вылетит с ошибкой.

Видеомонтаж 1 / 10

NVENC здесь нет, монтаж в DaVinci превратится в слайд-шоу.

Офис 3 / 10

Текстовые документы и простая веб-страница работают нормально.

Стоит ли покупать в 2026?

Брать GT 625M в 2026 году нельзя. Это решение для выживания старого железа, а не для работы. Если ваш ноутбук тормозит, замена этой карты на что-то мощнее невозможна из-за распайки. Даже если рассматривать её как отдельный чип, она бесполезна. Современные задачи требуют тензорных ядер или хотя бы нормальной пропускной способности памяти. Эта карта проигрывает любой встроенной графике последних пяти лет. Она не может декодировать современный видеопоток VP9 или AV1. Вы получите артефакты при просмотре YouTube. Если нужен бюджетный компьютер, ищите системы на базе Ryzen с интегрированной графикой Vega. Они стоят дороже в закупке, но работают в десятки раз эффективнее. Старое железо Fermi — это тупик для вычислений. Не тратьте деньги на этот мусор.

Обновлено редакцией: 2026-05-17.

Плюсы и минусы

Сильные стороны

  • Минимальное потребление 15 Вт
  • Низкий нагрев
  • Поддержка старых интерфейсов

Слабые стороны

  • Узкая шина 64 бит
  • Медленная память DDR3
  • Отсутствие поддержки современных кодеков
  • Минимальная вычислительная мощность

Часто задаваемые вопросы

Потянет ли она Stable Diffusion локально?

Нет, это невозможно. Для запуска базовой модели SDXL нужно минимум 8 ГБ видеопамяти и поддержка CUDA последних поколений. У GT 625M всего 2 ГБ DDR3 и архитектура 14-летней давности, которая не поддерживает нужные библиотеки.

Нужен ли отдельный БП для этой карты?

Нет, карта потребляет всего 15 Вт. Она питается напрямую от шины ноутбука или материнской платы. Дополнительные разъемы 6-pin или 8-pin здесь не предусмотрены физически.

Чем она хуже встроенной графики Intel Core i3?

Встроенная графика i3 использует быструю оперативную память DDR4 или DDR5. GT 625M ограничена шиной 64 бит и крайне медленной DDR3. В итоге встроенное решение обходит её по производительности в 5-10 раз.

Можно ли использовать её для AI-задач?

Любые задачи с LLM вроде Llama или Qwen требуют огромного объема VRAM. Даже самые маленькие модели не влезут в 2 ГБ памяти этой карты. Вычисления на ней будут медленнее, чем на центральном процессоре.