H200 141GB — provider does not specify SXM/NVL

Specifikationerna förklarade

Används för AI training, inference och HPC

1. 01141 GB HBM3E-minne

   VRAM

   141 GB

   Minnestyp

   HBM3E

   Minnesbandbredd

   4.8 TB/s

   HBM (High Bandwidth Memory) staplas i lager och sitter precis bredvid processorn i samma kapsel. Den korta, breda vägen är det som ger acceleratorer med HBM deras minnesbandbredd, så de väljs oftast för arbete som begränsas av hur snabbt data når kärnorna, till exempel inferens med stora modeller och HPC-simuleringar.

   VRAM är arbetsytan på kortet. Modellvikter, aktiveringar och datamängder måste rymmas i det eller delas upp över flera GPU:er. Tumregel för enbart vikterna vid 16-bitars precision (cirka 2 GB per miljard parametrar): upp till ungefär 70 miljarder parametrar, före aktiveringar och cache. Det här är aritmetik på det registrerade VRAM-värdet, inte en benchmark.

2. 02Arkitekturen Hopper

   Arkitektur

   Hopper

   Lanseringsår

   2023

   Livscykelstatus

   Previous

   Hopper lade till Transformer Engine, som blandar FP8- och 16-bitarsberäkningar för transformermodeller, samt fjärde generationens Tensor Cores. (Allmänt sammanhang om arkitekturen, inte ett påstående om just det här kortet.)

   Lanserad 2023. Enligt Kovaras poster är det en komponent av föregående generation.

3. 03Byggd för att skala över flera GPU:er

   NVLink

   Stöds

   MIG

   Stöds

   NVLink är en direkt GPU-till-GPU-länk. Där den stöds kan GPU:er i samma server utbyta data snabbare än enbart via PCIe, vilket spelar roll när ett träningsjobb är fördelat över flera GPU:er.

   Multi-Instance GPU (MIG) kan dela upp en fysisk GPU i isolerade delar, var och en med eget minne och egen beräkningskapacitet, så att flera mindre arbetslaster kan dela på ett kort.

4. 04Vad den används till

   Primär användning (registrerad)

   AI training / inference / HPC

   Det här är de användningsområden som Kovara har registrerat för komponenten. Kommentarerna förklarar arbetslasten i allmänna termer; de är inga påståenden om prestanda.

   • AI trainingAtt lära upp en modell från data. Oftast den mest beräknings- och minneskrävande fasen, ofta fördelad över många GPU:er.
   • inferenceAtt köra en tränad modell för att besvara förfrågningar. Minneskapacitet, latens och kostnad per förfrågan är de vanliga frågorna.
   • HPCVetenskaplig och teknisk simulering, där numerisk precision och minnesbandbredd spelar roll.

Värdena är Kovaras masterdata, senast verifierade 25 sep. 2026. Förklaringarna beskriver tekniken i allmänhet; de är inga benchmarks och säger inget om pris eller tillgänglighet.