Számítsa ki a TPS-t a H200 NVL helyi AI modellek

NVIDIA 141 GB HBM3e 4,890 GB/s November 2024

Minden modell a katalógusunkban, amelyet ezzel a kártyával értékeltünk a kiválasztott kontextus hosszán és minimális minőségen. A sebesség egyetlen kérés becslése, amelyet ezen kártya memória sávszélessége és minden modell mérete alapján számoltak ki, miután tömörítették..

Kiszámítva ehhez a kártyához

628 modellek, amelyeket futtathat

679 modellek az adatbázisunkban összesen

A legnagyobb modell, amit tartalmaz.

Tencent Hy3 preview

295B · Q3_K_M · 105 tok/s

Leggyorsabb modell

Gemma 3 QAT 1B

2,071 tok/s · 1B

Mely AI modellek futhatnak egy H200 NVL?

Állítsa be a bemeneteket, olvassa el a választ

Több kontextus több MEMÓRIÁT jelent a beszélgetés gyorsítótárához. A sebesség egy friss beszélgetéshez való, és nem változik ezzel a beállítással..

Elrejti azokat a modelleket, amelyek csak ezen a ponton alá tömörítve férnének el..

628 modellek megfelelnek

Számítás
Kvantisálás Illeszkedik
2,071 tok/s

1,760–2,485

Gemma 3 1B 1B Mar 2025 1.8 GB 33k tokenek Q8_0 Kényelmes
2,071 tok/s

1,760–2,485

Gemma 3 QAT 1B 1B Apr 2025 1.8 GB 33k tokenek Q8_0 Kényelmes
2,071 tok/s

1,243–3,314 · alacsony bizalom

HGRN 1B (WT 103) ≈ 1B Nov 2023 1.8 GB 131k tokenek ? Q8_0 Kényelmes
2,071 tok/s

1,243–3,314 · alacsony bizalom

LLama 3..2 Typhoon 2 1B ≈ 1B Dec 2024 1.8 GB 131k tokenek ? Q8_0 Kényelmes
2,071 tok/s

1,243–3,314 · alacsony bizalom

OLMo-1B ≈ 1B Feb 2024 1.8 GB 131k tokenek ? Q8_0 Kényelmes
2,071 tok/s

1,243–3,314 · alacsony bizalom

Pythia-1b ≈ 1B Apr 2023 1.8 GB 131k tokenek ? Q8_0 Kényelmes
1,918 tok/s

1,151–3,068 · alacsony bizalom

OpenELM-1.1B ≈ 1.1B May 2024 1.9 GB 131k tokenek ? Q8_0 Kényelmes
1,883 tok/s

1,130–3,012 · alacsony bizalom

DeciCoder-1B ≈ 1.1B Aug 2023 1.9 GB 131k tokenek ? Q8_0 Kényelmes
1,883 tok/s

1,130–3,012 · alacsony bizalom

SantaCoder ≈ 1.1B Jan 2023 1.9 GB 131k tokenek ? Q8_0 Kényelmes
1,883 tok/s

1,130–3,012 · alacsony bizalom

TinyLlama-1.1B (1T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokenek ? Q8_0 Kényelmes
1,883 tok/s

1,130–3,012 · alacsony bizalom

TinyLlama-1.1B (3T token checkpoint) ≈ 1.1B Oct 2023 1.9 GB 131k tokenek ? Q8_0 Kényelmes
1,726 tok/s

1,036–2,761 · alacsony bizalom

EXAONE 4.0 (1.2B) ≈ 1.2B Jul 2025 2.0 GB 131k tokenek ? Q8_0 Kényelmes
1,726 tok/s

1,036–2,761 · alacsony bizalom

MinerU2.5 ≈ 1.2B Sep 2025 2.0 GB 131k tokenek ? Q8_0 Kényelmes
1,726 tok/s

1,036–2,761 · alacsony bizalom

Pleias 1.0 1.2B ≈ 1.2B Dec 2024 2.0 GB 131k tokenek ? Q8_0 Kényelmes
1,726 tok/s

1,036–2,761 · alacsony bizalom

Pleias-RAG-1B ≈ 1.2B Apr 2025 2.0 GB 131k tokenek ? Q8_0 Kényelmes
1,684 tok/s

1,431–2,021

Llama 3.2 1B 1.2B Sep 2024 2.2 GB 131k tokenek Q8_0 Kényelmes
1,660 tok/s

996–2,656 · alacsony bizalom

MiniCPM-1.2B ≈ 1.2B Jun 2024 2.0 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

DeepSeek Coder 1.3B ≈ 1.3B Jan 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

DeepSeek-VL-1.3B ≈ 1.3B Mar 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

DigiRL ≈ 1.3B Jun 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

GLA Transformer 1.3B ≈ 1.3B Aug 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

Janus 1.3B ≈ 1.3B Oct 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

Kosmos-2.5 ≈ 1.3B Aug 2024 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

Otter ≈ 1.3B May 2023 2.1 GB 131k tokenek ? Q8_0 Kényelmes
1,593 tok/s

956–2,549 · alacsony bizalom

Phi-1 ≈ 1.3B Oct 2023 2.1 GB 131k tokenek ? Q8_0 Kényelmes

A sebességek egyetlen kérésre - egy beszélgetés egy időben - vonatkozó becslések, amelyeket a MEMORY BANDWIDTH, a MODEL SIZE és a QUANTISATION alapján számítanak ki. A valós áteresztőképesség változik az INFERENCE RUNTIME és annak verziója szerint. A HARDWARE VENDORS által közzétett számok sok párhuzamos kérést mérnek, és sokkal magasabbak..

Nyilvántartásban

H200 NVL Teljes specifikáció

Minden az erre a lapra vonatkozóan, rendezve aszerint, mennyire befolyásolja egy nyelvi modell futtatását, nem pedig aszerint, ahogyan egy specifikációs táblázat felsorolná. A MEMORY az első, mert ez határozza meg az eredményt; a többi a CONTEXT..

VRAM

A két specifikáció, ami meghatározza, hogy ezt a KÁRT mit tud futtatni és milyen gyorsan. A kapacitás határozza meg, hogy mely modellek férnek el; a sávszélesség határozza meg, hány token-t állítanak elő másodpercenként, miután elindultak.

Memóriaméret
141 GB
Memória sávszélesség
4,890 GB/s
Memória típus
HBM3e
Memória busz szélessége
6,144 bit
Memória óra
1.59 GHz

A chip

Melyik processor található az alaplapon és hogyan készült. Egy kisebb gyártási méret általában jobb teljesítményt jelent ugyanazon energiafelhasználás mellett.

Grafikus processzor
GH100
Architektúra
Hopper
Generáció
Server Hopper(Hxx)
Öntödé
TSMC
Feldolgozási méret
5 nm
Tranzisztorok
80 billion
Tranzisztor sűrűség
98,300 K/mm²
Die méret
814 mm²
Kiadott
18 November 2024

Órajel sebességek

Milyen gyorsan fut a processzor. Itt sokkal kevesebbet ér, mint egy játékbenchmarkon: a szöveg generálása a MEMÓRIA SÁVSZÉLESSÉG által korlátozott, így egy magasabb órajel alig mozdítja el az eredményt.

Alap óra
1.37 GHz
Turbóóra
1.79 GHz

Feldolgozó egységek

A chip mit tartalmaz. Ezek a grafikai teljesítményt hajtják, és főként egy hosszú prompt feldolgozása szempontjából számítanak, nem pedig a válasz előállítása szempontjából.

árnyékoló egységek
16,896
Textúrázási egységek
528
Render kimeneti egységek
24
Streaming multiprocesszorok
132
Tenzor magok
528
L1 gyorsítótár
250 KB
L2 gyorsítótár
50 MB

Elméleti teljesítmény

A lapra közzétett csúcsaritmetikai sebességek. Ezek olyan plafonok, amelyeket egy valódi munkaterhelés sem ér el, és a szöveg generálása csak ezek kis részét éri el, mert a memória korlátozza, nem az aritmetika.

Fél precizitás (FP16)
241.3 TFLOPS
Egyszeres pontosság (FP32)
60.3 TFLOPS
Kettős pontosság (FP64)
30.2 TFLOPS
Pixelek aránya
43 GPixel/s
Textúra sebesség
943 GTexel/s

A lap

Mi szükséges a kártya fizikális telepítéséhez és működtetéséhez - azok a gyakorlati korlátok, amelyek eldöntik, hogy illeszkedik-e a már meglévő géphez.

Teljesítményfelvétel (TDP)
600 W
Javasolt tápegység
1,000 W
Áramellátó csatlakozók
8-pin EPS
Busz interfész
PCIe 5.0 x16
Bővítőhely szélessége
Dual-slot
Dimenziók
267 mm

Szoftver-támogatás

Mely grafikai és számítási interfészeket támogat a kártya. A CUDA számítási képesség az, amely hatással van a következtetésre: 7.0 alatt nincsenek tensor magok, és a modern következtetési szoftver lassabb kódutakra tér vissza.

CUDA számítási képesség
9.0
OpenCL
3.0

Lista

Hol lehet venni egy H200 NVL

Jelenleg egyetlen forgalmazó sem listázza ezt a kártyát. A listák olyan forgalmazóktól származnak, akik közvetlenül itt publikálják őket. — böngészés a forgalmazói könyvtárban látni, hogy ki mit árul.

Mit jelentenek a számok

Miért a memória az a szám, ami itt számít

VRAM

141 GB

Sávszélesség

4,890 GB/s

Legnagyobb modell

Tencent Hy3 preview

H200 NVL tartalmaz 141 GB -nak HBM3e. Ez a hardverosztályba helyezi, amely képes a legnagyobb open WEIGHT modellek tárolására anélkül, hogy azokat gépek között osztaná meg. Egy inference RUNTIME körülbelül elérheti 126.9 GB.

A memóriával rendelkező sávszélesség eléri 4,890 GB/s egy buszon keresztül a 6,144 bit. Ez van a létező dolgok csúcsán. Mivel minden token azt jelenti, hogy az egész modellt egyszerre olvassuk ki a MEMÓRIÁBÓL, szinte közvetlenül a generálási sebességbe fordul — ez a KÁRTYA elég sávszélességgel bír ahhoz, hogy a modell mérete jóval korábban ne legyen a korlátozó tényező, mint ahogy a busz lenne.

A sávszélesség a óra szorozva az busz szélességgel, és ez a KÁRTYA az memória órajelét 1.59 GHz. A busz szélesítése és az óra megemelése az a két kar, amellyel egy gyártó rendelkezik, ezért egy közönséges magokkal rendelkező kártya is gyorsan tud generálni.

A gyakorlatban ez a kombináció a következőnél végződik Tencent Hy3 preview, 295B, tömörítve Q3_K_M és generálás körül 105 tokenek másodpercenként

A chip és hogy hogyan készült

H200 NVL a grafikus feldolgozón van építve GH100, az architektúra használatával Hopper ból NVIDIA, a generáció részeként Server Hopper(Hxx).

A chip-et a következő gyártó készíti TSMC, egy folyamatban 5 , egy kockával, amely méri 814 mm², tartás 80 billion Tranzisztorok. Egy kisebb folyamat általában nagyobb teljesítményt jelent ugyanannyi energia mellett, bár a nyelvi modellek esetében ez sokkal kevésbé számít, mint a memória alrendszer.

Megjelent a November 2024, nagyjából 1.7010476292676 évekkel ezelőtt. A következtetési szoftver támogatás általában egy-két évvel követi a hardvert, így egy ilyen korú KÁRTYA általában érett, jól optimalizált kódútvonalakkal rendelkezik.

A számítási teljesítmény, és hogy miért számít kevesebbet, mint amilyennek tűnik

FP16

241.3 TFLOPS

FP64

30.2 TFLOPS

Tenzor magok

528

Papíron H200 NVL elér 241.3 TFLOPS félnyes pontossággal, és 60.3 TFLOPS egyszeres pontossággal. Ezek csúcsértékek, amelyeket valós terhelés nem fenntart, és a szöveggenerálás csak ezek egy kis töredékét éri el - a dekódolás a memória által korlátozott, nem pedig a számítási műveletek által, ezért egy kártya itt rendkívül erősnek tűnhet, mégis normális sebességgel állít elő tokeneket.

A dupla pontosságú áteresztőképesség eléri 30.2 TFLOPS. Nincs hatással a nyelvi modell futtatására — a következtetési futási idő nem használja — de elválasztja az adatközponti részeket a fogyasztóiaktól, mivel az utóbbi szándékosan korlátozza azt.

A kártya hordozza 528 Tenzor magok át跨 132 Streaming multiprocesszorok. Ezek felgyorsítják a mátrix aritmetikát, amely a transzformátor szívében található, és ők azok, akik drámaian gyorsabbá teszik a prompt feldolgozást — egy hosszú dokumentum elolvasását mielőtt válaszolnának — mint ahogyan az máskülönben lenne.

Az órajelek egy alapból futnak 1.37 GHz egy gyorsításra 1.79 GHz. Itt sokkal kevesebbet ér, mint egy játékbenchmarkon: az órajelek emelése felgyorsítja az aritmetikát, és az aritmetika nem az, amire a generáció vár.

Cache és feldolgozó egységek

H200 NVL L1 gyorsítótárral rendelkezik 250 Kb, L2 gyorsítótár támogatásával 50 MB. A cache egy részesedést felszív a memóriaforgalomból, ami egyébként a fő buszt érné el, ami az egyetlen hely ezen az oldalon, ahol a sávszélességen kívül más szám is csendben befolyásolja a generálási sebességet — egy nagy L2 lehetővé teszi, hogy a munkakészlet több része közel maradjon a magokhoz.

Vannak 16,896 árnyékoló egységek, 528 Textúrázási egységek, és 24 Render kimeneti egységek. Ezek grafikai munkaterheket kezelnek és hozzájárulnak a prompt feldolgozáshoz, de a modell válasz generálásával töltött idő nagy részében tétlenül állnak.

Teljesítmény, méret és telepítés

Teljesítményfogyasztás

600 W

H200 NVL rated at 600 W, és a javasolt rendszer tápegység 1,000 W. Egy nyelvi modell futtatása egy kártyát inkább rövid ideig foglalkoztat, mint folyamatosan — nagy terhelést jelent a generálás során, és kérések között tétlenkedik — így a folyamatos terhelés egy munkanap alatt általában jól a megadott érték alatt van.

A panel elfoglalja dual-slot, mérés 267 mm hosszú, és szükséges 8-pin EPS. Érdemes ellenőrizni a gépben lévő házat és tápegységet, mivel a legnagyobb kártyáknak lényegesen több mindkettőre van szükségük, mint amit egy tipikus asztali gép biztosít.

Csatlakozik a PCIe 5.0 x16. A felület szabályozza, hogy a modell milyen gyorsan töltődik be a lemezről a kártyára, nem azt, hogy ott milyen gyorsan fut, így egy szűkebb kapcsolat néhány másodpercbe kerül a rendszerindításkor, és utána semmi.

Az extremitások

A legnagyobb AI modellek, amelyek futnak egy H200 NVL

A legnagyobb open weight modellek, amelyek elférnek ezen a kártyán, legújabb elöl. Mindegyik a kártya által elérhető legjobb tömörítésben van megjelenítve..

  1. 01 Solar Open2 250B 250.3B · IQ4_XS · Jun 2026 113 tok/s
  2. 02 DeepSeek-V4-Flash 284B · Q3_K_M · Apr 2026 109 tok/s
  3. 03 Tencent Hy3 preview 295B · Q3_K_M · Apr 2026 105 tok/s
  4. 04 P1-235B-A22B 235B · IQ4_XS · Nov 2025 120 tok/s
  5. 05 Qwen3-235B-A22B-Thinking (Jul 2025) 235B · IQ4_XS · Jul 2025 120 tok/s
  6. 06 Qwen3-235B-A22B (Jul 2025) 235B · IQ4_XS · Jul 2025 120 tok/s
  7. 07 Llama Nemotron Ultra 253B 253B · Q3_K_M · Mar 2025 22.1 tok/s
  8. 08 DeepSeek-V2.5 236B · IQ4_XS · Sep 2024 120 tok/s
  9. 09 DeepSeek-Coder-V2 236B 236B · Q3_K_M · Jun 2024 23.7 tok/s
  10. 10 DeepSeek-V2 (MoE-236B) 236B · IQ4_XS · May 2024 120 tok/s

A leggyorsabb AI modellek egy H200 NVL

Ahol ez a KÁRTYA a leggyorsabban állítja elő a tokeneket. A kisebb modellek itt dominálnak, mert minden token előállítása azt jelenti, hogy az egész modellt egyszer kell kiolvasni a memóriából..

  1. 01 Gemma 3 QAT 1B 1B · Q8_0 · 1.8 GB 2,071 tok/s
  2. 02 Gemma 3 1B 1B · Q8_0 · 1.8 GB 2,071 tok/s
  3. 03 LLama 3..2 Typhoon 2 1B 1B · Q8_0 · 1.8 GB 2,071 tok/s
  4. 04 OLMo-1B 1B · Q8_0 · 1.8 GB 2,071 tok/s
  5. 05 HGRN 1B (WT 103) 1B · Q8_0 · 1.8 GB 2,071 tok/s
  6. 06 Pythia-1b 1B · Q8_0 · 1.8 GB 2,071 tok/s
  7. 07 OpenELM-1.1B 1.1B · Q8_0 · 1.9 GB 1,918 tok/s
  8. 08 TinyLlama-1.1B (1T token checkpoint) 1.1B · Q8_0 · 1.9 GB 1,883 tok/s
  9. 09 TinyLlama-1.1B (3T token checkpoint) 1.1B · Q8_0 · 1.9 GB 1,883 tok/s
  10. 10 DeciCoder-1B 1.1B · Q8_0 · 1.9 GB 1,883 tok/s

Lépésről lépésre

Hogyan lehet kiszámolni a tokenek másodpercenként egy H200 NVL

Nem kell semmit kézzel kiszámolnod — a gputps.com kalkulátor ezen az oldalon már kiszámította minden modelféleséghez, amit ez a kártya elbír. A válasz leolvasása hat lépést igényel..

  1. 01

    Keresd a modellt a táblázatban

    A táblázat felsorolja 628 modellek, amelyeket ez a kártya futtat. A keresés szűkíti a listát név vagy méret alapján.

  2. 02

    Döntsön arról, hogy mennyi ideig tartanak a beszélgetései.

    Állítsa be a kontextust a valódi munkahosszára. A rövid kérdések szinte semmit sem számítanak, de egy hosszú dokumentum jelentős részesedést fogyaszthat. 141 GB tehát a beállítást megéri jól csinálni.

  3. 03

    Válaszd ki, meddig szeretnéd tömöríteni.

    A tömörítés az, ami lehetővé teszi, hogy a nagyobb modellek elférjenek. A minőségellenőrzés elutasít minden olyan modellt, amely több tömörítést igényel, mint amennyit hajlandó vagy adni.

  4. 04

    Használja a tartományt válaszként

    A sebességek hibahatárokkal járnak okkal. A legjobb eset itt 2,071 tok/s on Gemma 3 QAT 1B. Ugyanaz a Kártya és Modell harminc és ötven százalékos eltérést mutat a következtetési futási idők között.

  5. 05

    Ellenőrizze a memória oszlopot elköteleződés előtt.

    A Szoros azt jelenti, hogy ma működik; a Kényelmes azt jelenti, hogy még mindig működik, amikor a beszélgetés nő. Hasonlítsa össze, hogy az egyes modelleknek mire van szükségük egy elérhetővel. 141 GB.

  6. 06

    Nyisd meg a modellt, hogy összehasonlíthasd a kártyákat.

    Minden modell neve a táblázatban a saját oldalára mutat, amely ugyanazt a számítást végzi el az összes kártyán, amelyet birtoklunk. Itt láthatja, hogy a megfelelő vásárlás megfelel-e H200 NVL.

Válaszok

H200 NVL — gyakori kérdések

01

H200 NVL— jó helyi AI modellek futtatására?

Elég nagy a memória ahhoz, hogy olyan modelleket támogasson, amelyeket a legtöbb asztali hardver nem tud kezelni, és a sávszélessége a leggyorsabb elérhető hardverek közé helyezi a generáláshoz. Összesen fut 628 a modellek számára, amelyeket nyomon követünk. Hogy ez elég-e, az teljesen attól függ, hogy melyik modellt szeretnéd - a fenti táblázat közvetlenül erre válaszol.

02

H200 NVL— Futtathat egy modellt, ami nem fér el a VRAM-jában?

Fel lehet osztani, az átlépés a rendszer MEMÓRIÁBAN marad, a kártya mögött. 141 GB lehetséges és általában hamis gazdaság: a rendszer-memória rész elég lassú ahhoz, hogy dominálja az eredményt.

03

Két H200 NVL kártyák kétszer olyan gyorsak lesznek?

A kapacitás hozzáadódik, a throughput nem. Kettő együtt ad neked 282 GB amely lehetővé teszi, hogy olyan modelleket tarts meg, amelyeket egyedül nem tudtak volna, de a generálás nem így oszlik meg. Ezek a számok egy kártyát írnak le.

04

H200 NVL— Melyik AI modellt tud futtatni?

628 a 679 A nyomon követett open-weight nyelvi modellek elférnek ezen a kártyán, és helyben futtathatók. Az ezen az oldalon található táblázat minden egyes modellt felsorol, beleértve a szükséges memória mennyiségét, a futtatási kvantálást és a becsült generálási sebességet.

05

H200 NVL— Melyik a legnagyobb AI modell, amit futtatni tud?

A katalógusunkban a legnagyobb modell, ami belefér, az Tencent Hy3 preview at 295B paraméterek, tömörített Q3_K_M. Körülbelül generál. 105 token másodpercenként és körülbelül 126.5 A kártya memória GB-ja.

06

H200 NVL— mennyi token másodpercenként?

A modell függvénye. A leggyorsabb modell, amit itt követünk, az Gemma 3 QAT 1B körülbelül 2,071 tokenek másodpercenként, míg a nagyobb modellek arányosan lassabban futnak, mert minden token megköveteli az egész modell memória-ből való egyszeri kiolvasását. A sebességek becslések egyetlen beszélgetés egyidejűleg.

07

H200 NVL— futtatható-e 7B modellek?

Igen. Például fut. Multi-Token Prediction 7B at Q8_0, használva körülbelül 7.9 GB memória és körülbelül generálás 309 tokenek másodpercenként

08

H200 NVL— futtatható-e 13B modellek?

Igen. Például fut. DeepSeekMoE-16B at Q8_0, használva körülbelül 17.5 GB memória és körülbelül generálás 719 tokenek másodpercenként

09

H200 NVL— futtatható-e 30B modellek?

Igen. Például fut. ERNIE-4.5-VL-28B-A3B at Q8_0, használva körülbelül 29.2 GB memória és körülbelül generálás 411 tokenek másodpercenként

10

H200 NVL— futtatható-e 70B modellek?

Igen. Például fut. Qwen3-Coder-Next at Q8_0, használva körülbelül 80.7 GB memória és körülbelül generálás 144 tokenek másodpercenként

11

H200 NVL— mennyi VRAM-ja van?

Ez a KÁRTYA rendelkezik 141 GB -nak HBM3e. Körülbelül egy tizedet tartanak fenn az inference futási idő és a meghajtó, így körülbelül 126.9 GB elérhető egy AI modell számára és annak beszélgetéséhez.

12

H200 NVL— mi a memória-sávszélessége?

A memóriával rendelkező sávszélesség eléri 4,890 GB/s egy buszon keresztül a 6,144 bit. Ez a legjobb előrejelzője annak, hogy milyen gyorsan generál szöveget, mert minden egyes token előállítása azt jelenti, hogy az egész modellt egyszer el kell olvasni a memóriából.

13

H200 NVL— Milyen típusú MEMORY-t használ?

Használja HBM3e órára állítva 1.59 GHz. A HBM típusok adatközponti gyorsítókon találhatók, és sokkal nagyobb sávszélességgel rendelkeznek, mint a GDDR, amit asztali kártyákon használnak, ezért ugyanazon kapacitás mellett jelentősen gyorsabban generálnak tokeneket.

14

H200 NVL— ki készíti?

Ez egy terméke a NVIDIA, a chip általi gyártásával TSMC, egy folyamatban 5 .

15

H200 NVL— Mikor adták ki?

Megjelent a November 2024.

16

H200 NVL— mennyi áramot fogyaszt?

A minősített kártya teljesítménye 600 W, és a javasolt rendszer tápegység 1,000 W. A szöveg generálása nagy terhelést jelent rövid időszakokra, és a kérések között inaktív, így egy munkamenet alatt a fogyasztás általában jól below van a megadott értéknél.

17

H200 NVL— mennyi cache-e van?

Az L1 gyorsítótár 250 Kb, és az L2 gyorsítótár 50 MB. A Cache felszívja a memóriaforgalom egy részét, amely egyébként elérné a fő buszt, így egy nagyobb L2 szerény mértékben növeli a generálási sebességet, a sávszélesség által egyedül előre jelzett értékhez képest.

18

H200 NVL— mennyi a TFLOPS-ja?

Ez értékelve van 241.3 TFLOPS fél precízióban és 60.3 TFLOPS egyszeres pontossággal. Ezek a csúcs aritmetikai plafonok, nem pedig elérhető sebességek, és a szöveggenerálás csak e plafonok kis részét éri el, mert inkább a memóriabandwidth korlátozza.

19

H200 NVL— Hány TENSOR CORE-ja van?

Van 528 Tenzor magok át跨 132 Streaming multiprocesszorok. Felgyorsítják a mátrixaritmetikát, amelyből a transformer fel van építve, ami elsősorban a hosszú prompt feldolgozását gyorsítja, nem pedig a válasz előállítását.

20

H200 NVL— Támogatja a CUDA-t?

Igen. Jelentést ad a CUDA számítási képességről. 9.0. A 7.0 és annál magasabb képességű modellek rendelkeznek tenzormagokkal, amelyeket a modern inferencia szoftver használ; ennél alacsonyabb szinten lassabb kódú utakat használ a kvantált modellekhez.

21

H200 NVL— Milyen busz interfészt használ?

Használja PCIe 5.0 x16. Ez szabályozza, hogy milyen gyorsan töltődik be egy modell a kártyára, ahelyett, hogy azt nézné, milyen gyorsan fut, miután betöltődött, így ez néhány másodpercet vesz igénybe a rendszerindításkor, és semmit a generálás során.

A másik irány

Másik oldalról nézve?

Ez az oldal a hardverrel kezdődik. Ha már tudod, melyik AI modelt szeretnéd, és tudni szeretnéd, mi szükséges a futtatásához, Kezdje a MODELBŐL..

Minden GPU