Noviji HGX B200 nudi ogroman skok u performansama za AI radna opterećenja u poređenju sa HGX H200, posebno u oblastima kao što su FP8, INT8, FP16/BF16 i TF32 Tensor Core operacije, gde se može pohvaliti sa 125% poboljšanja.
Međutim, kada pogledamo FP32 i FP64, skok je manji, oko 18,5%.
Iznenađujuće, performanse FP64 Tensor Core zapravo trpe udarac, padajući za oko 40%.
B200 zaista blista u odeljenju za memoriju, nudeći veći ukupan kapacitet memorije (1,5 TB naspram 1,1 TB) i dvostruko veću NVSwitch propusnost između GPU-ova. Ova brža komunikacija menja pravila igre za obuku AI modela velikih razmera.
Međutim, kada u priču ubacite procenjenu cenu, stvari postaju zanimljive.
Cena B200 je oko 21,5% viša, tako da iako dobijate veliki podsticaj u AI performansama, poboljšanje računanja po dolaru je manje dramatično, na oko 85% za većinu AI operacija (što je i dalje ogromno).
Za radna opterećenja koja se u velikoj meri oslanjaju na FP32 i FP64, možda ćete čak dobiti i nešto manje za svoj novac sa 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% | – |