Novší HGX B200 ponúka oproti HGX H200 obrovský nárast výkonu pre záťaže umelej inteligencie, najmä v oblastiach ako FP8, INT8, FP16/BF16 a TF32 Tensor Core operácie, kde sa pýši 125% zlepšením.
Avšak, pri pohľade na FP32 a FP64, je to menší skok, približne 18,5%.
Prekvapivo, výkon FP64 Tensor Core v skutočnosti utrpel stratu, pokles o približne 40%.
B200 skutočne žiari v oblasti pamäte, ponúka väčšiu celkovú kapacitu pamäte (1,5 TB vs 1,1 TB) a zdvojnásobenú šírku pásma NVSwitch GPU-to-GPU. Táto rýchlejšia komunikácia zásadne mení hru pre rozsiahle trénovanie modelov AI.
Avšak, keď do rovnice zahrniete odhadovanú cenu, veci sa začnú zaujímavo komplikovať.
Cena B200 je približne o 21,5% vyššia, takže hoci získate veľký nárast výkonu AI, zlepšenie výpočtového výkonu na dolár je menej dramatické, približne 85% pre väčšinu operácií AI (stále obrovské).
Pre záťaže, ktoré sa silno spoliehajú na FP32 a FP64, môžete dokonca získať s B200 o niečo menej muziky za svoje peniaze.
| 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% | – |