Il RTX 5090 finalmente arrivata nei primi mesi del 2025 con un prezzo che ha fatto storcere il naso agli acquirenti — prezzo consigliato al pubblico di 1.999 USD in un mercato in cui viene effettivamente venduta a oltre 2.400 USD. La domanda che ogni sviluppatore di sistemi AI si pone è: vale davvero la pena passare da una RTX 4090 che già esegue gran parte delle operazioni di cui abbiamo bisogno?
La risposta breve: sì, se si raggiunge il limite della VRAM con la 4090; no, se non è così.
La risposta dettagliata è l’argomento principale del resto di questo articolo.
Risposta rapida: vale la pena acquistare la RTX 5090 per l’IA rispetto alla RTX 4090?
Per l'AI nel 2026 la RTX 5090 è la scheda migliore e vale la pena se hai bisogno di memoria: i suoi 32 GB di GDDR7 rispetto ai 24 GB GDDR6X della 4090 sono le specifiche decisive, permettendoti di contenere modelli della classe 70B (a quanti ~3-bit) e batch più grandi di quelli che la 4090 non riesce a gestire. Nel throughput la 5090 è avanti di circa il 30-60% nei benchmark pubblicati — ad esempio 300 vs 189 tok/s nella generazione di token su Llama 2 7B Q4_0 in llama.cpp CUDA scoreboard — ma costa di più (circa $1.999 MSRP, ~$2.200–2.600 street vs i ~$1.100–1.400 usati della 4090) e consuma 575 W vs 450 W. Se i tuoi modelli stanno comodamente in 24 GB, la RTX 4090 rimane il migliore rapporto qualità-prezzo.
- Esecuzione di LLM da 70B in su o fine-tuning di modelli di grandi dimensioni: RTX 5090 — 32 GB di GDDR7 rispetto a 24 GB, e una larghezza di banda di 1.792 GB/s contro 1.008 GB/s.
- Miglior performance AI raw inference: RTX 5090 — 214 vs 150 tok/s su Llama 3.1 8B in Le esecuzioni Procyon di StorageReview (~43% più veloce), e 300 vs 189 tok/s su Llama 2 7B Q4_0 in llama.cpp CUDA scoreboard (~59% più veloce).
- Generazione di immagini e video: RTX 5090 — ~43% più veloce in Stable Diffusion XL (5.2 s vs 7.5 s per immagine 1024×1024 nel test Procyon di StorageReview).
- Miglior rapporto qualità-prezzo se 24 GB sono sufficienti: RTX 4090 — prestazioni eccellenti a circa 1.100–1.400 $ usata e un consumo energetico inferiore di 125 W.
- La novità principale sulla VRAM: La RTX 5090 offre 32 GB rispetto ai 24 GB della 4090 — un limite di memoria superiore del 33%, utile per modelli più grandi e contesti più lunghi.
RTX 5090 contro RTX 4090 per l’IA — i numeri chiave
Punti chiave
- La RTX 5090 offre 32 GB GDDR7 rispetto ai 24 GB di GDDR6X della 4090 — un aumento del 33% della capacità di memoria.
- In Stable Diffusion XL, la 5090 è ~43% più veloce nei test Procyon di StorageReview (5.2 s vs 7.5 s per immagine 1024×1024).
- Per Generazione di token LLM su modelli che stanno su entrambe le schede, le esecuzioni pubblicate mettono la 5090 approssimativamente 30-60% in vantaggio (300 vs 189 t/s su Llama 2 7B Q4_0 in llama.cpp CUDA scoreboard).
- La 5090 è nominata a 575 W potenza grafica totale — 125 W più della 4090.
- Se riesci a trovare una 4090 usata a 1.200–1.400 USD, rappresenta la scelta più conveniente. Se hai bisogno di 32 GB di VRAM, nessun'altra GPU consumer si avvicina a questa capacità.
A colpo d'occhio
| Specifiche | RTX 5090 | RTX 4090 |
|---|---|---|
| Architettura | Blackwell GB202 | Ada Lovelace AD102 |
| Core CUDA | 21,760 | 16,384 |
| VRAM | 32 GB GDDR7 | 24 GB GDDR6X |
| Larghezza di banda della memoria | 1.792 GB/s | 1.008 GB/s |
| FP16 (Tensor) | 419 TFLOPS | 330 TFLOPS |
| FP8 (Tensor) | 838 TFLOPS | 660 TFLOPS |
| TDP | 575 W | 450 W |
| PCIe | PCIe 5.0 x16 | PCIe 4.0 x16 |
| Prezzo al pubblico consigliato (MSRP) | $1,999 | 1.599 USD (prezzo originale) |
| Prezzo di mercato usato (Q2 2026) | 2.200–2.600 USD | 1.100–1.400 USD |
Cosa è cambiato sotto il cofano
La 5090 non è semplicemente una versione più veloce della 4090. Il passaggio da Ada Lovelace a Blackwell rappresenta un salto più ampio rispetto a quello dalla 3090 alla 4090, in tre aspetti fondamentali per l’IA:
1. La larghezza di banda della memoria è aumentata del 78%. La GDDR7, con velocità effettiva di 28 Gbps su un bus da 512 bit, fornisce una larghezza di banda di circa 1,79 TB/s, contro i circa 1,01 TB/s della 4090 su un bus da 384 bit. Per l’inferenza su modelli linguistici di grandi dimensioni (LLM), che è quasi interamente limitata dalla larghezza di banda della memoria nel passaggio di decodifica, questo costituisce il miglioramento più significativo.
2. FP4 è arrivato nei Tensor core. Sulla carta entrambe le schede raddoppiano il loro throughput tensoriale quando scendi da FP16 a FP8 — circa 419 a 838 TFLOPS sulla 5090 e 330 a 660 TFLOPS sulla 4090, secondo i Blackwell e Ada whitepaper dell'architettura. Quello che Blackwell aggiunge è FP4 nativo, che riduce i pesi del modello a un quarto della loro dimensione FP16; NVIDIA classifica la 5090 a 3.352 AI TOPS (FP4, con sparsity). Quanto di questo effettivamente vedi dipende dal software: FP4 aiuta solo quando il tuo motore di inference e il checkpoint del modello lo supportano.
3. La VRAM è passata da 24 GB a 32 GB. Questo è il confine. Llama 3 70B a Q4_K_M è un file da 42.5 GB, quindi non sta su nessuna delle due schede. A IQ3_XXS (27.5 GB) sta nei 32 GB della 5090 con un po' di spazio rimasto per il contesto; sulla 4090 sei costretto a quanti ~2-bit (IQ2_XS è 21.1 GB) o offload parziale su CPU (più lento), secondo bartowski GGUF file sizes. Per Mistral Large 2 (123B) e DeepSeek V3 (671B MoE), 32 GB ancora non sono abbastanza — ma per modelli della classe 70B è la differenza tra «scomodo» e «impossibile».
Cosa non è cambiato molto:
- Maturità dei driver — il supporto software di Blackwell è stato approssimativo al lancio (TechPowerUp ha trovato che PyTorch precompilato non lo supportava ancora); Ada è solido come una roccia.
- Ecosistema software — entrambi sono completamente supportati oggi, ma Blackwell ha bisogno di CUDA 12.8 o più recente, quindi build più vecchie di strumenti AI potrebbero non girare sulla 5090.
- Profilo termico — entrambe funzionano ad alte temperature; i 575 W della 5090 richiedono un flusso d’aria nella torre ben progettato.
Benchmark su Stable Diffusion / FLUX
Convly non ha testato queste schede personalmente. Le cifre sotto provengono dalla review RTX 5090 di StorageReview (gennaio 2025), che ha eseguito il benchmark AI Image Generation di UL Procyon con TensorRT su entrambe le schede nello stesso sistema Threadripper. I tempi assoluti si muovono con la versione del driver e gli aggiornamenti software, quindi il rapporto tra le due schede grafiche è il valore significativo.
| Procyon AI Image Generation (TensorRT) | RTX 5090 | RTX 4090 | Δ |
|---|---|---|---|
| Stable Diffusion XL, FP16, 1024×1024 | 5.22 s/immagine | 7.46 s/immagine | +43% |
| Stable Diffusion 1.5, FP16, 512×512 | 0.76 s/immagine | 1.19 s/immagine | +56% |
| Stable Diffusion 1.5, INT8, 512×512 | 0.39 s/immagine | 0.50 s/immagine | +28% |
FLUX è più difficile da fissare, perché quella review non l'ha incluso. Le stesse cifre di NVIDIA, dal suo Blackwell architecture whitepaper, dicono che FLUX.1 dev a FP16 ha bisogno di oltre 23 GB di VRAM e impiega circa 15 secondi per immagine (30 step) su una 4090, contro poco più di cinque secondi su una 5090 che esegue una versione FP4 del modello. Trattalo come un claim di un produttore che mescola un upgrade hardware con un cambio di precisione piuttosto che un benchmark paragonabile — ma mostra dove il supporto FP4 della 5090 paga se il tuo workflow è pesante su FLUX.
L'AI video merita una riga sua. I modelli video sono il carico di lavoro AI consumer più affamato di VRAM, e su una scheda da 24 GB spesso forzano offload, tiling o risoluzioni più basse. Controlla i requisiti di VRAM pubblicati dei modelli che pensi di usare: se uno sta appena sopra i 24 GB, quello da solo giustifica l'upgrade.
Benchmark per l’inferenza di LLM
Ancora, questi sono risultati pubblicati da terze parti, non misurazioni di Convly. La prima riga proviene dal progetto llama.cpp scoreboard CUDA (Llama 2 7B Q4_0, flash attention on, GPU singola; le voci sono inviate da diversi utenti su sistemi e build diversi). Il resto sono tassi di token di output da StorageReview esecuzioni UL Procyon AI Text Generation (TensorRT):
| Modello | RTX 5090 t/s | RTX 4090 t/s | Δ |
|---|---|---|---|
| Llama 2 7B Q4_0 (llama.cpp, tg128) | 300.4 | 189.0 | +59% |
| Llama 3.1 8B (Procyon) | 214.3 | 150.0 | +43% |
| Llama 2 13B (Procyon) | 134.5 | 92.9 | +45% |
| Mistral 7B (Procyon) | 255.9 | 183.3 | +40% |
| Phi-3.5 mini (Procyon) | 314.4 | 244.3 | +29% |
Per i modelli che entrano interamente nella VRAM su entrambe le schede, la 5090 genera token approssimativamente 30-60% più velocemente — coerente con il suo vantaggio di larghezza di banda della memoria del 78%, dato che la decodifica è principalmente limitata dalla larghezza di banda. Per modelli che non entrano nella 4090 ma sì nella 5090 (Llama 3 70B a IQ3_XXS, ad esempio), il divario si allarga bruscamente, perché la 4090 deve offloadare gli strati a RAM di sistema molto più lenta mentre la 5090 mantiene l'intero modello sulla GPU. Non c'è nessun benchmark pubblicato paragonabile di quel caso a cui possiamo puntare, quindi non quottiamo un numero per esso.
Se il tuo strumento quotidiano è Llama 3 8B o Qwen 32B, la 4090 è «abbastanza veloce» e la 5090 è un nice-to-have. Se vuoi modelli della classe 70B su una singola scheda, la 5090 è l'unica opzione GeForce che li tiene interamente in VRAM — anche se solo a quanti ~3-bit; Q4_K_M ha ancora bisogno di due GPU o offload su CPU.
Affinamento (fine-tuning)
Non c'è nessun benchmark di fine-tuning pubblicato paragonabile per queste due schede a cui possiamo puntare, quindi questa sezione si attiene alla scheda tecnica. L'allenamento si appoggia su compute e larghezza di banda della memoria contemporaneamente: la 5090 ha il 33% in più di CUDA core (21.760 vs 16.384), il 78% in più di larghezza di banda della memoria e una cache L2 più grande (96 MB vs 72 MB, secondo il whitepaper di NVIDIA»). I suoi 8 GB aggiuntivi consentono anche ai run LoRA di utilizzare sequenze più lunghe o batch più grandi prima di esaurire la memoria — spesso una vittoria pratica più significativa della pura velocità.
Alimentazione, termica e rumore
La 5090 è una scheda da 575 W — 125 W più della RTX 4090 Founders Edition — e TechPowerUp rileva che il suo limite di potenza può essere aumentato manualmente a 600 W. Come altre card di fascia alta produce anche brevi picchi transienti superiori alla potenza nominale, motivo per cui NVIDIA specifica un alimentatore di sistema da 1.000 W. Le realtà:
- Alimentatore (PSU): previsto almeno da 1000 W; consigliato da 1200 W se abbinato a una CPU Ryzen 9 o Core i9. Si raccomanda fortemente l’ATX 3.1 con connettore nativo 12V-2×6.
- Flusso d’aria nel case: il design Founders Edition disperde il calore nel case in modo più aggressivo rispetto alla 4090 FE. Tre ventole di aspirazione non sono più un «plus», ma una necessità.
- Rumore: TechPowerUp ha misurato la 5090 FE a circa 40 dBA durante il gaming (a 50 cm) e ha elencato il rumore della ventola tra i suoi svantaggi.
- Dissipazione termica: eseguire 8 ore di fine-tuning contribuirà in modo misurabile all’aumento della temperatura ambientale della stanza.
Se la installi in un ufficio domestico, pianifica di conseguenza.
Valutazione realistica prezzo/prestazioni
A MSRP ($1.999 vs $1.599), la 5090 è circa il 25% più costosa per all'incirca il 30–60% di throughput AI in più nei benchmark pubblicati sopra e il 33% di VRAM in più. Sulla carta, è una vittoria.
Ai prezzi di mercato del Q2 2026 ($2.400 nuova 5090 vs $1.200 usata 4090), la matematica si capovolge drasticamente. Stai pagando il doppio per il 30–60% di velocità in più e il 33% di VRAM in più. Per la maggior parte dei builder, è un cattivo affare — a meno che la VRAM non sia ciò che sblocca il tuo carico di lavoro.
Regola decisionale chiara:
Acquista la RTX 5090 se
- Vuoi modelli Llama 3 70B / Qwen 72B-class su una sola card (con quant ~3-bit)
- Generi video con IA (Hunyuan, CogVideoX, futuri modelli di classe Sora)
- Effettui fine-tuning su modelli più grandi di 13 miliardi di parametri
- Il tuo tempo vale più di 40 $/ora e puoi ammortizzare l’investimento
- Hai spazio nel budget per un alimentatore da 1200 W e un sistema di raffreddamento migliorato
Continua con la RTX 4090 se
- I tuoi carichi di lavoro riguardano SDXL, Llama 3 8B o qualsiasi altro modello che entra comodamente nei 24 GB disponibili
- Trovi una 4090 usata a 1.200–1.400 $
- Non hai margine sufficiente sull’alimentatore o nello spazio del case
- Sei nuovo nell’IA locale e vuoi semplicemente iniziare
- Sei sensibile al prezzo e non hai un carico di lavoro specificamente limitato dalla VRAM
E le alternative?
Vale la pena citare anche le GPU che non sono né 4090 né 5090, ma potrebbero comunque essere la scelta più adatta:
- RTX 3090 usata ($600–750) — 24 GB VRAM a un terzo del prezzo. Più lenta — la llama.cpp CUDA scoreboard genera token a circa l'86% della velocità di una 4090 ed elabora prompt a meno del 40% della sua velocità — ma se vuoi solo iniziare con LLM locali, è la regina del budget del 2026.
- Apple M5 Max (fino a 128 GB; ha sostituito l'M4 Max) — architettura completamente diversa, memoria unificata, niente CUDA. Più lenta di una 5090 ma può contenere modelli che nessuna card GeForce può (un modello 70B a Q4_K_M, un file da 42,5 GB, entra con spazio a disposizione; un modello 405B no, nemmeno a Q2_K). Se sei solo inference e hai bisogno di >32 GB di memoria, questa è un'opzione seria. Vedi il nostro M4 Max vs RTX 5090 per la ripartizione completa sulla generazione precedente.
- NVIDIA DGX Spark (annunciato come Project DIGITS; $3.999 Founders Edition al lancio, $4.699 da febbraio 2026) — 128 GB di memoria unificata a 273 GB/s su un dispositivo desktop. Progettato esattamente per questo caso d'uso.
Per la maggior parte degli appassionati casalinghi di intelligenza artificiale, tuttavia, la domanda fondamentale è binaria: 5090 o 4090. Tutti gli altri casi appartengono a un discorso differente.
Domande frequenti
Vale la pena acquistare la RTX 5090 invece della RTX 4090 per applicazioni AI nel 2026?
Nei benchmark pubblicati Benchmark sull'IA, la 5090 è approssimativamente il 30–60% più veloce e ha il 33% di VRAM in più, ma costa il 25% in più a MSRP e circa il doppio ai prezzi attuali di strada. Vale la pena se regolarmente raggiungi il limite di 24 GB della 4090 — eseguendo LLM 70B+, allenando modelli o generando video AI. Per Stable Diffusion XL e LLM classe 8B, la 4090 rimane un ottimo acquisto, specialmente usata a $1.200–1.400.
La RTX 5090 è in grado di eseguire Llama 3 405B?
Non nella pura GPU inference — come file GGUF, un modello Llama 3.1 405B-class è circa 149 GB anche a Q2_K e 243 GB a Q4_K_M (dimensioni dei file su Hugging Face). Con offload della CPU e 256 GB+ di RAM di sistema funzionerà su una RTX 5090, ma con la maggior parte dei pesi in memoria di sistema è troppo lento per l'uso quotidiano. Per Llama 3 405B in locale, considera configurazioni multi-GPU, il Mac Studio M5 Ultra (fino a 512 GB), o due NVIDIA DGX Spark collegati tra loro (256 GB combinati; NVIDIA dichiara che la coppia supporta modelli fino a circa 400B parametri).
Quanta VRAM è necessaria per eseguire Llama 3 70B sulla RTX 5090?
Più di quello che la 5090 ha ai quant consigliati. Come file GGUF, Llama 3 70B è 42,5 GB a Q4_K_M, 49,9 GB a Q5_K_M e 75 GB a Q8_0 (build di bartowski»), quindi nessuno di questi entra in 32 GB. Quello che entra è un quant ~3-bit: IQ3_XXS è 27,5 GB, lasciando pochi GB per il contesto. Per Q4_K_M hai bisogno di una card da 48 GB come la RTX 6000 Ada, due GPU o offload parziale della CPU; Q8_0 ha bisogno di più GPU.
La RTX 5090 funziona con schede madri PCIe 4.0?
Sì. La 5090 è nativamente PCIe 5.0 x16, ma è pienamente retrocompatibile con PCIe 4.0. Per carichi di lavoro AI, la differenza di larghezza di banda è trascurabile — non noterai alcuna differenza, salvo forse durante il caricamento di modelli su più GPU.
Di quale alimentatore (PSU) ho bisogno per una workstation AI con RTX 5090?
Un alimentatore di alta qualità da 1000 W è il minimo indispensabile, 1200 W è raccomandato e 1600 W è la scelta ideale se abbinata a una CPU come Ryzen 9 9950X o Threadripper e se prevedi di eseguire fine-tuning per 8 ore o più consecutive. Cerca esplicitamente un modello conforme alla specifica ATX 3.1 con connettori nativi 12V-2×6 — gli adattatori funzionano, ma introducono punti di potenziale guasto.
La RTX 4090 è ancora valida per l’IA nel 2026?
Sì, la RTX 4090 rimane una GPU eccellente per l’intelligenza artificiale nel 2026, specialmente se acquistata usata a $1.200–1.400. Esegue tutti i carichi di lavoro AI consumer ad alte prestazioni, supporta pienamente CUDA ed è dotata di 24 GB di VRAM — soglia che la maggior parte dei modelli attuali prende come riferimento. Il suo unico punto debole riguarda le applicazioni più avanzate: generazione di video con IA, LLM da 70 miliardi di parametri o superiori in quantizzazioni di alta qualità, e fine-tuning di modelli con oltre 13 miliardi di parametri. Per tutto il resto, resta ancora il riferimento assoluto per rapporto prezzo/prestazioni.
Conclusione
La RTX 5090 è genuinamente una GPU AI migliore della RTX 4090 — approssimativamente del 30–60% nei benchmark AI pubblicati e del 33% in spazio di VRAM. Se quella differenza valga approssimativamente il doppio del prezzo di strada dipende interamente da se i 24 GB della 4090 ti stanno attualmente bloccando.
Se hai mai fissato un errore OOM cercando di inserire Llama 3 70B su una singola card, o se hai visto una 4090 passare al CPU offload a metà generazione su Hunyuan Video, la 5090 è l'upgrade di cui avevi bisogno due anni fa.
Se i tuoi carichi di lavoro AI rientrano comodamente nei 24 GB di VRAM già oggi, risparmia i $1.000+ e investili in un alimentatore migliore, un SSD più veloce o — in modo controverso — in una seconda GPU 3090 usata per l’inferenza multi-GPU. I rendimenti decrescenti oltre i 24 GB di VRAM sono reali, e molto più marcati di quanto la pubblicità lasci intendere.