与以前的模型相比，RX 9070 XT的FP8如何支持AI任务

与RDNA 3相比，RX 9070 XT中的RDNA 4架构将基线FP16吞吐量加倍，并将其再次加倍以进行稀疏操作。对于FP8工作负载，与RDNA 3上的FP16操作相比，吞吐量增加了8次。吞吐量的大幅度增加对于严重依赖矩阵乘法的任务特别有益，例如在机器学习模型中发现的任务。

rDNA中增强的波矩阵乘积(WMMA)指令4进一步优化了AI任务的性能。这些改进使RX 9070 XT能够在Adobe Lightroom和Davinci Resolve等应用中提供更高的性能，与RX 7900 GRE相比，性能高达34％。对于生成的AI任务，例如稳定的扩散图像生成，RX 9070 XT的速度比其前身快70％。

但是，虽然RX 9070 XT在计算限制的AI任务中表现出色，但由于其256位内存总线，它可能会面临内存绑定工作负载的限制，该任务可提供高达640 GB/s的带宽。这比7900 XT的800 GB/s和XTX的960 GB/s少，这可能会影响需要高内存带宽的任务，例如大语言模型(LLMS)。

总体而言，RX 9070 XT的FP8支持并增强了AI加速器将其定位为AI任务的竞争选择，尤其是那些受益于改善计算性能和较低精度数据类型的任务。但是，与其他高端GPU相比，其在内存密集型AI应用中的效率和性能可能会有所不同。