W jaki sposób obsługa FP8 RX 9070 XT poprawia zadania AI w porównaniu z poprzednimi modelami

W porównaniu z RDNA 3 architektura RDNA 4 w RX 9070 XT podwaja wyjściową przepustowość FP16 i podwaja ją ponownie do rzadkich operacji. W przypadku obciążeń FP8 przepustowość jest zwiększana nawet do 8 razy w porównaniu z operacjami FP16 na RDNA 3. Ten znaczny wzrost przepustowości jest szczególnie korzystny dla zadań, które w dużej mierze opierają się na mnożenia matrycy, takich jak te znalezione w modelach uczenia maszynowego.

Ulepszona macierz fali mnożą instrukcje akumulują (WMMA) w RDNA 4 dodatkowo optymalizują wydajność dla zadań AI. Te ulepszenia umożliwiają RX 9070 XT zapewniają znacznie lepszą wydajność w aplikacjach takich jak Adobe Lightroom i DaVinci Resolve, przy do 34% lepszej wydajności w porównaniu z RX 7900 GRE. W przypadku generatywnych zadań AI, takich jak stabilne wytwarzanie obrazu dyfuzji, RX 9070 XT jest do 70% szybciej niż jego poprzednik.

Jednak podczas gdy RX 9070 XT wyróżnia się w zadaniach AI obliczeniowych, może on stawić czoła ograniczeniom obciążeń związanych z pamięcią ze względu na 256-bitową magistrację pamięci, która zapewnia do 640 GB/s przepustowości. Jest to mniejsze niż 7900 XT 800 GB/s i 960 GB/s XTX, potencjalnie wpływające na wydajność w zadaniach wymagających wysokiej przepustowości pamięci, takich jak duże modele językowe (LLM).

Ogólnie rzecz biorąc, obsługa FP8 RX 9070 XT i ulepszona AI Aclelerators pozycjonują ją jako konkurencyjną opcję dla zadań AI, szczególnie te, które korzystają z ulepszonej wydajności obliczeniowej i niższych rodzajów danych precyzyjnych. Jednak jego wydajność i wydajność w aplikacjach AI intensywnie pamięci mogą się różnić w porównaniu z innymi wysokiej klasy GPU.