Az újabb HGX B200 óriási teljesítménynövekedést kínál a mesterséges intelligencia számítási feladatokhoz képest a HGX H200-hoz viszonyítva, különösen az olyan területeken, mint az FP8, INT8, FP16/BF16 és TF32 Tensor Core műveletek, ahol 125%-os javulást mutat.
Ugyanakkor, ha az FP32-t és az FP64-et nézzük, a különbség kisebb, körülbelül 18,5%.
Meglepő módon az FP64 Tensor Core teljesítménye valójában romlik, körülbelül 40%-kal csökken.
A B200 a memória terén viszont kiemelkedő, nagyobb teljes memóriakapacitást (1,5 TB vs 1,1 TB) és kétszeres NVSwitch GPU-GPU sávszélességet kínál. Ez a gyorsabb kommunikáció döntő fontosságú a nagyméretű AI modellképzéshez.
Azonban, amikor a becsült árat is figyelembe vesszük, a dolgok érdekessé válnak.
A B200 árcédulája körülbelül 21,5%-kal magasabb, tehát bár nagy teljesítménynövekedést kapunk az AI-ban, a számítási teljesítmény/dollár arány kevésbé drámai, a legtöbb AI műveletnél körülbelül 85% (ami még mindig hatalmas).
Azoknál a számítási feladatoknál, amelyek nagymértékben támaszkodnak az FP32-re és az FP64-re, a B200-zal akár valamivel kevesebb pénzért kaphatunk valamivel kevesebbet.
| 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% | – |