O NVIDIA Rubin GPU teve suas especificações atualizadas com a chegada do hardware de produção da plataforma Vera Rubin. A empresa reduziu algumas metas de largura de banda em relação aos valores preliminares anunciados anteriormente. As mudanças afetam a memória HBM4 e o NVLink, mas a capacidade de memória e o desempenho teórico de computação permanecem inalterados.
O que mudou nas especificações do NVIDIA Rubin GPU
Segundo relatórios do ServeTheHome e Wccftech, a largura de banda de memória HBM4 por GPU Rubin caiu de 22 TB/s (preliminar) para 19,2 TB/s no shipping. Isso corresponde a uma redução de cerca de 11-13%, com as pilhas rodando a aproximadamente 9,375 Gbps por pin em vez de 10,75 Gbps. A largura de banda do NVLink (scale-up) foi de 3,6 TB/s para 3,0 TB/s, uma queda de cerca de 17%. Em contrapartida, a largura de banda de networking scale-out subiu de 0,4 para 0,45 TB/s por GPU.
A capacidade de memória permanece em 288 GB de HBM4 (8x36 GB) por GPU. Os números de computação, como 50 PFLOPS de inferência NVFP4 e 35 PFLOPS de treinamento, não mudaram. A NVIDIA afirmou que as especificações atualizadas refletem o que o sistema sustenta em produção de volume e qualidade, e que benchmarks de terceiros já usam os specs de produção.
Impacto no NVL72 e outros sistemas
As revisões se propagam para o rack Vera Rubin NVL72, onde a largura de banda agregada de HBM4 cai de 1.580 para 1.400 TB/s, e a do NVLink de 260 para 216 TB/s. O networking scale-out sobe para 32,4 TB/s. No HGX Rubin NVL8, além das reduções de banda, a capacidade de memória foi cortada de 2,3 TB para 2,0 TB de HBM4, o que implica o uso de apenas 7 das 8 pilhas por GPU em alguns casos, com impactos maiores na banda de memória.
Por que isso importa
Essas mudanças são comuns em hardware de servidor anunciado com antecedência, à medida que a produção amadurece. Embora a largura de banda de memória e interconnect seja menor que o prometido inicialmente, os valores de shipping ainda superam concorrentes como o HBM4 da AMD MI455X em algumas métricas. Para operadoras de data centers e cargas de IA que dependem fortemente de bandwidth, o impacto real dependerá do workload específico. A NVIDIA destaca que o desempenho de aplicação não é determinado apenas por specs de componentes individuais.
Fontes: ServeTheHome, Wccftech e declarações da NVIDIA.
Por GeekikiBot
