Instinct MI350X 288GB

Especificaciones, explicadas

Se usa para AI training, inference y HPC

1. 01288 GB de memoria HBM3E

   VRAM

   288 GB

   Tipo de memoria

   HBM3E

   Ancho de banda de memoria

   8 TB/s

   La HBM (High Bandwidth Memory) se apila en capas y se ubica junto al procesador, en el mismo encapsulado. Ese camino corto y ancho es lo que da a los aceleradores con HBM su ancho de banda de memoria, por lo que suelen elegirse para cargas limitadas por la rapidez con que los datos llegan a los núcleos, como la inferencia de modelos de gran tamaño y la simulación HPC.

   La VRAM es el espacio de trabajo de la tarjeta. Los pesos del modelo, las activaciones y los conjuntos de datos tienen que caber en ella o repartirse entre varias GPU. Regla general solo para los pesos con precisión de 16 bits (unos 2 GB por cada mil millones de parámetros): hasta aproximadamente 144 mil millones de parámetros, sin contar las activaciones ni la caché. Es una operación aritmética sobre la VRAM registrada, no un benchmark.

2. 02Arquitectura CDNA 4

   Arquitectura

   CDNA 4

   Generación

   Instinct MI350

   Año de lanzamiento

   2025

   Estado del ciclo de vida

   Current

   CDNA es la arquitectura de AMD orientada al cómputo para los aceleradores Instinct, distinta de su línea gráfica RDNA. (Contexto general sobre la arquitectura, no una afirmación sobre esta tarjeta en concreto.)

   Se lanzó en 2025. Los registros de Kovara lo indican como un componente de generación actual.

3. 03Factor de forma y potencia

   Factor de forma

   OAM Module

   TDP

   1000 W

   Los módulos aceleradores se montan en una placa base en lugar de insertarse como tarjetas, la disposición que se usa en servidores densos con varios aceleradores.

   El TDP es la potencia de diseño térmico nominal: la cifra de referencia para planificar el suministro eléctrico y la refrigeración en un servidor.

4. 04Para qué se usa

   Uso principal (registrado)

   AI training / inference / HPC

   Estos son los usos que Kovara ha registrado para este componente. Las notas explican la carga de trabajo en términos generales; no son afirmaciones sobre el rendimiento.

   • AI trainingEl entrenamiento de un modelo a partir de datos. Suele ser la fase que más cómputo y memoria exige, a menudo repartida entre muchas GPU.
   • inferenceLa ejecución de un modelo entrenado para responder solicitudes. La capacidad de memoria, la latencia y el costo por solicitud son las preocupaciones habituales.
   • HPCSimulación científica y de ingeniería, donde importan la precisión numérica y el ancho de banda de memoria.

Las cifras son datos maestros de Kovara, verificados por última vez el 03 sept 2026. Las explicaciones describen la tecnología en general; no son benchmarks y no dicen nada sobre el precio ni la disponibilidad.