GB200 Grace Blackwell Superchip GPU

Характеристики з поясненнями

Використовується для: Large-scale AI training і inference

1. 01186 GB пам’яті HBM3E

   VRAM

   186 GB

   Тип пам’яті

   HBM3E

   Пропускна здатність пам’яті

   8 TB/s

   HBM (пам’ять із високою пропускною здатністю) складається з шарів і розташована безпосередньо поруч із процесором в одному корпусі. Саме цей короткий і широкий шлях дає прискорювачам з HBM їхню пропускну здатність пам’яті, тож їх зазвичай обирають для роботи, обмеженої тим, як швидко дані доходять до ядер, як-от інференс великих моделей і HPC-симуляції.

   VRAM — робочий простір на карті. Ваги моделі, активації та набори даних мають уміщатися в ній або розділятися між кількома GPU. Емпіричне правило лише для ваг при 16-бітній точності (близько 2 GB на мільярд параметрів): приблизно до 93 млрд параметрів, без урахування активацій і кешу. Це арифметика на основі зафіксованого обсягу VRAM, а не бенчмарк.

2. 02Архітектура Blackwell

   Архітектура

   Blackwell

   Покоління

   Grace Blackwell

   Рік випуску

   2024

   Статус життєвого циклу

   Current

   Blackwell додала тензорні ядра п’ятого покоління та підтримку форматів нижчої точності аж до FP4. (Загальний контекст про архітектуру, а не твердження про цю конкретну карту.)

   Випущено в 2024. У записах Kovara це компонент поточного покоління.

3. 03Створено для масштабування на кілька GPU

   NVLink

   Підтримується

   MIG

   Підтримується

   Form factor

   Grace Blackwell Superchip / NVL

   TDP

   1200 W

   NVLink — пряме з’єднання GPU-GPU. Там, де воно підтримується, GPU в одному сервері обмінюються даними швидше, ніж лише через PCIe, що важливо, коли одне навчальне завдання розподілено між кількома GPU.

   Multi-Instance GPU (MIG) може ділити один фізичний GPU на ізольовані частини, кожна з власною пам’яттю та обчислювальними ресурсами, щоб кілька менших навантажень могли спільно використовувати карту.

   TDP — номінальна розрахункова теплова потужність: плановий показник для живлення та охолодження в сервері.

4. 04Для чого використовується

   Основне призначення (зафіксоване)

   Large-scale AI training / inference

   Це сценарії використання, які Kovara зафіксувала для цього компонента. Примітки описують навантаження загалом; це не заяви про продуктивність.

   • Large-scale AI trainingНавчання моделі на даних. Зазвичай найвибагливіший до обчислень і пам’яті етап, який часто розподіляють між багатьма GPU.
   • inferenceЗапуск навченої моделі для відповіді на запити. Зазвичай важливі обсяг пам’яті, затримка та вартість запиту.

Показники — основні дані Kovara, востаннє перевірені 03 вер. 2026 р.. Пояснення описують технологію загалом; вони не є бенчмарками й нічого не кажуть про ціну чи доступність.