Instinct MI300X 192GB

Spécifications expliquées

Utilisé pour AI training, inference et HPC

1. 01192 GB de mémoire HBM3

   VRAM

   192 GB

   Type de mémoire

   HBM3

   Bande passante mémoire

   5.3 TB/s

   La HBM (High Bandwidth Memory) est empilée en couches et placée juste à côté du processeur, sur le même package. Ce chemin court et large est ce qui donne aux accélérateurs équipés de HBM leur bande passante mémoire ; on les choisit donc généralement pour des charges de travail limitées par la vitesse à laquelle les données parviennent aux cœurs, comme l’inférence de grands modèles et la simulation HPC.

   La VRAM est l’espace de travail de la carte. Les poids du modèle, les activations et les jeux de données doivent y tenir, ou être répartis sur plusieurs GPU. Règle empirique pour les seuls poids en précision 16 bits (environ 2 GB par milliard de paramètres) : jusqu’à environ 96 milliards de paramètres, avant activations et cache. Il s’agit d’un calcul arithmétique sur la VRAM enregistrée, et non d’un benchmark.

2. 02Architecture CDNA 3

   Architecture

   CDNA 3

   Génération

   Instinct MI300

   Année de lancement

   2023

   Statut du cycle de vie

   Previous

   CDNA 3 adopte une conception à chiplets, avec de la mémoire HBM empilée à côté des puces de calcul sur un même package. (Contexte général sur l’architecture, et non une affirmation sur cette carte en particulier.)

   Lancé en 2023. Les enregistrements de Kovara l’indiquent comme un composant de la génération précédente.

3. 03Facteur de forme et alimentation

   Facteur de forme

   OAM Module

   TDP

   750 W

   Les modules accélérateurs sont montés sur une baseboard plutôt qu’insérés comme des cartes, la disposition utilisée pour les serveurs multi-accélérateurs à haute densité.

   Le TDP est la puissance thermique de conception nominale : la valeur de référence pour dimensionner l’alimentation et le refroidissement d’un serveur.

4. 04À quoi il sert

   Usage principal (enregistré)

   AI training / inference / HPC

   Voici les usages que Kovara a enregistrés pour ce composant. Les notes expliquent la charge de travail en termes généraux ; elles ne constituent pas des affirmations de performance.

   • AI trainingL’entraînement d’un modèle à partir de données. En général la phase la plus gourmande en calcul et en mémoire, souvent répartie sur de nombreux GPU.
   • inferenceL’exécution d’un modèle entraîné pour répondre à des demandes. La capacité mémoire, la latence et le coût par demande sont les préoccupations habituelles.
   • HPCLa simulation scientifique et d’ingénierie, où la précision numérique et la bande passante mémoire comptent.

Les chiffres sont des données de référence de Kovara, dernière vérification : 03 sept. 2026. Les explications décrivent la technologie de manière générale ; elles ne sont pas des benchmarks et ne disent rien du prix ni de la disponibilité.