A2 16GB

Specifikationerne forklaret

Bruges til Edge AI og inference

1. 0116 GB GDDR6-hukommelse

   VRAM

   16 GB

   Hukommelsestype

   GDDR6

   Hukommelsesbåndbredde

   0.2 TB/s

   GDDR er grafikhukommelse, der er monteret på kortet omkring GPU’en i stedet for at være stablet i pakken. Den er udbredt på kort til grafik, rendering og omkostningseffektiv inferens.

   VRAM er arbejdsområdet på kortet. Modelvægte, aktiveringer og datasæt skal kunne være der eller fordeles på flere GPU’er. Tommelfingerregel for vægtene alene ved 16-bit præcision (ca. 2 GB pr. milliard parametre): op til omkring 8 milliarder parametre, før aktiveringer og cache. Det er en beregning på den registrerede VRAM, ikke en benchmark.

2. 02Ampere-arkitektur

   Arkitektur

   Ampere

   Lanceringsår

   2021

   Livscyklusstatus

   Previous

   Ampere bragte tredje generation af Tensor Cores, TF32-præcision og Multi-Instance GPU (MIG) til sine datacenterkomponenter. (Generel kontekst om arkitekturen, ikke et udsagn om dette specifikke kort.)

   Lanceret i 2021. Kovaras poster angiver den som en del af den forrige generation.

3. 03Formfaktor og effekt

   NVLink

   Ikke understøttet

   MIG

   Ikke understøttet

   Formfaktor

   PCIe low-profile single-slot

   TDP

   60 W

   Kovaras poster viser ingen understøttelse af NVLink, så job med flere GPU’er på denne komponent er afhængige af PCIe eller netværket mellem servere for at flytte data.

   PCIe-kort sættes i almindelige udvidelsesstik i servere og workstations, hvilket passer til en bred vifte af systemer.

   TDP er den nominelle thermal design power: planlægningstallet for strømforsyning og køling i en server.

4. 04Hvad den bruges til

   Primær anvendelse (registreret)

   Edge AI / inference

   Det er de anvendelser, Kovara har registreret for denne komponent. Noterne forklarer workloaden i generelle vendinger; de er ikke påstande om ydeevne.

   • Edge AIKørsel af modeller tæt på, hvor data produceres, i kompakte systemer med begrænset effekt.
   • inferenceKørsel af en trænet model for at besvare forespørgsler. Hukommelseskapacitet, latenstid og omkostning pr. forespørgsel er de typiske hensyn.

Tallene er Kovaras stamdata, senest verificeret 03. sep. 2026. Forklaringerne beskriver teknologien generelt; de er ikke benchmarks og siger intet om pris eller tilgængelighed.