Instinct MI250X 128GB

Spezifikationen erklärt

Eingesetzt für HPC und AI training

1. 01128 GB HBM2E-Speicher

   VRAM

   128 GB

   Speichertyp

   HBM2E

   Speicherbandbreite

   3.2 TB/s

   HBM (High Bandwidth Memory) wird in Schichten gestapelt und sitzt unmittelbar neben dem Prozessor auf demselben Package. Dieser kurze, breite Pfad verleiht Beschleunigern mit HBM ihre Speicherbandbreite, weshalb sie üblicherweise für Aufgaben gewählt werden, die davon begrenzt werden, wie schnell Daten die Kerne erreichen, etwa die Inferenz großer Modelle und die HPC-Simulation.

   VRAM ist der Arbeitsspeicher auf der Karte. Modellgewichte, Aktivierungen und Datensätze müssen darin Platz finden oder auf mehrere GPUs verteilt werden. Faustregel allein für die Gewichte bei 16-Bit-Genauigkeit (etwa 2 GB pro Milliarde Parameter): bis zu etwa 64 Milliarden Parameter, vor Aktivierungen und Cache. Das ist eine Rechnung auf Basis des erfassten VRAM, kein Benchmark.

2. 02CDNA 2-Architektur

   Architektur

   CDNA 2

   Generation

   Instinct MI200

   Einführungsjahr

   2021

   Lebenszyklusstatus

   Legacy

   CDNA ist die auf Rechenleistung ausgerichtete Architektur von AMD für Instinct-Beschleuniger, getrennt von der Grafiklinie RDNA. (Allgemeiner Kontext zur Architektur, keine Aussage über diese konkrete Karte.)

   Im Jahr 2021 eingeführt. Die Datensätze von Kovara führen es als Legacy-Komponente.

3. 03Formfaktor und Leistung

   Formfaktor

   OAM Module

   TDP

   560 W

   Beschleunigermodule werden auf einer Trägerplatine montiert statt als Karten eingesteckt; das ist das Layout, das für dicht bestückte Server mit mehreren Beschleunigern verwendet wird.

   TDP ist die nominelle Thermal Design Power: der Planungswert für Stromversorgung und Kühlung in einem Server.

4. 04Wofür es eingesetzt wird

   Hauptverwendung (erfasst)

   HPC / AI training

   Dies sind die Verwendungszwecke, die Kovara für diese Komponente erfasst hat. Die Hinweise erläutern den Workload allgemein; sie sind keine Leistungsaussagen.

   • HPCWissenschaftliche und technische Simulation, bei der numerische Genauigkeit und Speicherbandbreite zählen.
   • AI trainingDas Trainieren eines Modells mit Daten. In der Regel die Phase mit dem größten Bedarf an Rechenleistung und Speicher, oft auf viele GPUs verteilt.

Die Zahlen sind Kovara-Stammdaten, zuletzt verifiziert am 03. Sept. 2026. Die Erläuterungen beschreiben die Technologie allgemein; sie sind keine Benchmarks und sagen nichts über Preis oder Verfügbarkeit aus.