A100 NVLink 80GB — Hyperstack flavor

Özelliklerin açıklaması

Kullanım alanları: AI training, inference ve HPC

1. 0180 GB HBM2E bellek

   VRAM

   80 GB

   Bellek türü

   HBM2E

   HBM (High Bandwidth Memory) katmanlar hâlinde yığılır ve aynı paket üzerinde işlemcinin hemen yanında yer alır. Bu kısa ve geniş yol, HBM’li hızlandırıcılara bellek bant genişliklerini kazandıran şeydir; bu nedenle genellikle büyük model çıkarımı ve HPC simülasyonu gibi, verinin çekirdeklere ne kadar hızlı ulaştığıyla sınırlı işler için tercih edilirler.

   VRAM, kart üzerindeki çalışma alanıdır. Model ağırlıkları, aktivasyonlar ve veri kümeleri buna sığmalı ya da birkaç GPU’ya bölünmelidir. 16-bit hassasiyette yalnızca ağırlıklar için pratik kural (milyar parametre başına yaklaşık 2 GB): aktivasyonlar ve önbellek hariç, kabaca 40 milyar parametreye kadar. Bu, kaydedilen VRAM üzerinden yapılan bir hesaptır, benchmark değildir.

2. 02Ampere mimarisi

   Mimari

   Ampere

   Piyasaya çıkış yılı

   2020

   Yaşam döngüsü durumu

   Previous

   Ampere, veri merkezi parçalarına üçüncü nesil Tensor Core’lar, TF32 hassasiyeti ve Multi-Instance GPU (MIG) getirdi. (Mimari hakkında genel bağlam; bu kartla ilgili özel bir ifade değildir.)

   2020 yılında piyasaya çıktı. Kovara kayıtları bunu önceki nesil bir parça olarak listeliyor.

3. 03GPU’lar arasında ölçeklenmek için tasarlandı

   NVLink

   Destekleniyor

   MIG

   Destekleniyor

   NVLink, GPU’dan GPU’ya doğrudan bir bağlantıdır. Desteklendiği durumlarda aynı sunucudaki GPU’lar yalnızca PCIe üzerinden olduğundan daha hızlı veri alışverişi yapabilir; bu, tek bir eğitim işi birkaç GPU’ya yayıldığında önemlidir.

   Multi-Instance GPU (MIG), tek bir fiziksel GPU’yu her biri kendi belleği ve işlem gücüne sahip yalıtılmış dilimlere bölebilir; böylece birkaç küçük iş yükü bir kartı paylaşabilir.

4. 04Ne için kullanılır

   Birincil kullanım (kayıtlı)

   AI training / inference / HPC

   Bunlar Kovara’nın bu parça için kaydettiği kullanım alanlarıdır. Notlar iş yükünü genel olarak açıklar; performans iddiası değildir.

   • AI trainingBir modeli verilerden öğretmek. Genellikle işlem gücü ve bellek açısından en talepkâr aşamadır ve çoğu zaman çok sayıda GPU’ya yayılır.
   • inferenceİstekleri yanıtlamak için eğitilmiş bir modeli çalıştırmak. Bellek kapasitesi, gecikme ve istek başına maliyet olağan önceliklerdir.
   • HPCSayısal hassasiyetin ve bellek bant genişliğinin önemli olduğu bilimsel ve mühendislik simülasyonları.

Rakamlar Kovara ana verileridir, en son 25 Eyl 2026 tarihinde doğrulanmıştır. Açıklamalar teknolojiyi genel olarak anlatır; benchmark değildir ve fiyat ya da kullanılabilirlik hakkında hiçbir şey söylemez.