Nowszy HGX B200 oferuje ogromny wzrost wydajności w zadaniach związanych ze sztuczną inteligencją w porównaniu do HGX H200, szczególnie w obszarach takich jak operacje FP8, INT8, FP16/BF16 i TF32 Tensor Core, gdzie szczyci się poprawą o 125%.
Jednakże, jeśli chodzi o FP32 i FP64, skok jest mniejszy i wynosi około 18,5%.
Zaskakująco, wydajność FP64 Tensor Core w rzeczywistości spada, o około 40%.
B200 zdecydowanie wyróżnia się w kwestii pamięci, oferując większą łączną pojemność pamięci (1,5 TB w porównaniu do 1,1 TB) oraz dwukrotnie większą przepustowość NVSwitch GPU-to-GPU. Ta szybsza komunikacja radykalnie zmienia sytuację w przypadku trenowania modeli AI na dużą skalę.
Jednak, gdy weźmie się pod uwagę szacunkową cenę, sytuacja staje się interesująca.
Cena B200 jest o około 21,5% wyższa, więc chociaż uzyskujesz duży wzrost wydajności AI, poprawa wydajności obliczeniowej na jednego dolara jest mniej dramatyczna i wynosi około 85% dla większości operacji AI (co wciąż jest ogromne).
W przypadku obciążeń silnie opierających się na FP32 i FP64, możesz nawet uzyskać nieco mniej za swoje pieniądze, wybierając 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% | – |