Den nye HGX B200 giver et markant løft i ydeevnen for AI-workloads sammenlignet med HGX H200, især inden for områder som FP8, INT8, FP16/BF16 og TF32 Tensor Core-operationer, hvor den kan prale af en forbedring på 125%.
Men når vi ser på FP32 og FP64, er springet mindre, omkring 18,5%.
Overraskende nok falder FP64 Tensor Core-ydeevnen faktisk, med et fald på ca. 40%.
B200’eren brillerer til gengæld på hukommelsesfronten med en større samlet hukommelseskapacitet (1,5 TB vs. 1,1 TB) og en fordoblet NVSwitch GPU-til-GPU-båndbredde. Denne hurtigere kommunikation er en gamechanger for træning af store AI-modeller.
Men når man tager den estimerede pris med i betragtningen, bliver det interessant.
B200’erens pris er ca. 21,5% højere, så selvom du får et stort løft i AI-ydeevne, er forbedringen i compute-per-dollar mindre dramatisk, på omkring 85% for de fleste AI-operationer (stadig enormt).
For workloads, der i høj grad er afhængige af FP32 og FP64, kan du endda få lidt mindre valuta for pengene med B200’eren.
| 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% | – |