Новият HGX B200 предлага огромен скок в производителността за AI задачи в сравнение с HGX H200, особено в области като FP8, INT8, FP16/BF16 и TF32 Tensor Core операции, където се наблюдава 125% подобрение.
Въпреки това, когато разглеждаме FP32 и FP64, скокът е по-малък, около 18.5%.
Изненадващо, производителността на FP64 Tensor Core всъщност отбелязва спад, намалявайки с около 40%.
B200 се отличава в отдела за памет, предлагайки по-голям общ капацитет на паметта (1.5 TB срещу 1.1 TB) и удвоена NVSwitch честотна лента GPU-към-GPU. Тази по-бърза комуникация променя играта за мащабно обучение на AI модели.
Въпреки това, когато включите очакваната цена в картината, нещата стават интересни.
Цената на B200 е с около 21.5% по-висока, така че въпреки че получавате голям тласък в AI производителността, подобрението на изчислителната мощност на долар е по-малко драматично, около 85% за повечето AI операции (все пак огромно).
За работни натоварвания, които разчитат в голяма степен на FP32 и FP64, може дори да получавате малко по-малко за парите си с B200.
| Feature | Unit | HGX H200 (8x H200 SXM) | HGX B200 (8x B200 SXM) | Performance Difference | Compute per Dollar Difference |
|---|---|---|---|---|---|
| INT8 Tensor Core | POPS | 32 | 72 | 125.00% | 85.11% |
| FP4 Tensor Core | PFLOPS | – | 144 | – | – |
| FP6 Tensor Core | PFLOPS | – | 72 | – | – |
| FP8 Tensor Core | PFLOPS | 32 | 72 | 125.00% | 85.11% |
| FP16/BF16 Tensor Core | PFLOPS | 16 | 36 | 125.00% | 85.11% |
| TF32 Tensor Core | PFLOPS | 8 | 18 | 125.00% | 85.11% |
| FP32 | TFLOPS | 540 | 640 | 18.52% | -2.50% |
| FP64 | TFLOPS | 270 | 320 | 18.52% | -2.50% |
| FP64 Tensor Core | TFLOPS | 540 | 320 | -40.74% | -51.25% |
| Memory | TB | 1.1 | 1.5 | 36.36% | 12.18% |
| NVSwitch GPU-to-GPU Bandwidth | GB/s | 900 | 1800 | 100.00% | 64.52% |
| Total Aggregate Bandwidth | TB/s | 7.2 | 14.4 | 100.00% | 64.52% |
| Estimated Price | USD | 290000 | 352500 | 21.55% | – |