Hogyan javítja az RX 9070 XT FP8 támogatása az AI feladatokat a korábbi modellekhez képest

Az RDNA 3 -hoz képest az RDNA 4 architektúra az RX 9070 XT -ben megduplázza az FP16 kiindulási teljesítményét, és újra megduplázza azt a ritka műveletekhez. Az FP8 munkaterhelése esetén az áteresztőképesség akár nyolcszor is növekszik az RDNS 3 -os FP16 műveleteihez képest. Ez az áteresztőképesség jelentős növekedése különösen előnyös az olyan feladatoknál, amelyek nagymértékben támaszkodnak a mátrix szorzására, például a gépi tanulási modellekben.

A továbbfejlesztett hullámmátrix szaporodja a felhalmozódott (WMMA) utasításokat az RDNS 4 -ben, tovább optimalizálja az AI feladatok teljesítményét. Ezek a fejlesztések lehetővé teszik az RX 9070 XT -nek, hogy szignifikánsan jobb teljesítményt nyújtson olyan alkalmazásokban, mint az Adobe Lightroom és a Davinci Resolve, akár 34% -kal jobb teljesítményt nyújtva az RX 7900 GRE -hez képest. A generatív AI -feladatokhoz, például a stabil diffúziós képgeneráláshoz az RX 9070 XT akár 70% -kal gyorsabb, mint az elődje.

Noha az RX 9070 XT kiemelkedik a számításhoz kötött AI feladatokban, a memóriához kötött munkaterhelések korlátozásaival szembesülhetnek a 256 bites memóriabusz miatt, amely akár 640 GB/s sávszélességet biztosít. Ez kevesebb, mint a 7900 XT 800 GB/s és az XTX 960 GB/s -je, amely potenciálisan befolyásolja a nagy memória sávszélességet igénylő feladatok teljesítményét, például a nagy nyelvi modelleket (LLMS).

Összességében az RX 9070 XT FP8 támogatása és a továbbfejlesztett AI gyorsítók versenyképes opciónak tekintik az AI feladatokhoz, különösen azok, amelyek előnyösek a jobb számítási teljesítmény és az alacsonyabb precíziós adattípusok számára. Hatékonysága és teljesítménye azonban a memória-intenzív AI alkalmazásokban eltérhet a többi csúcskategóriás GPU-hoz képest.