GB200
PulseAugur coverage of GB200 — every cluster mentioning GB200 across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
NVIDIA发布具有100万上下文的Nemotron-Labs-Teacher模型 · 跟踪4个来源
NVIDIA发布了一系列Nemotron-Labs-Teacher模型，每个模型拥有5500亿参数，但只有550亿参数被激活使用。这些模型采用了包含Mamba-2、MoE和多Token预测的LatentMoE架构，支持高达100万Token的上下文窗口。这些模型在OpenMDW-1.1许可下可用，并且需要大量的硬件支持，例如4块B200/GB200或8块H100 GPU才能运行。
-
Anyscale Ray 优化 NVIDIA GB300 NVL72 的 NVLink 域放置
Anyscale 为其 Ray 框架引入了 NVLink 域感知放置组，旨在优化 NVIDIA GB300 NVL72 系统的性能。这些新的放置组确保紧密耦合的 actor 被调度在同一个 NVLink 域内，NVLink 域是一个连接 72 个 NVIDIA Blackwell GPU 和 36 个 NVIDIA Grace CPU 的机架级互连。这种拓扑感知调度原语旨在最大化 GPU 通信并保留系统意图，它建立在先前节点级放置策略的基础上。
-
CoreWeave 签署 2029 年 A100 GPU 合同，证明旧款 AI 硬件的价值
CoreWeave 是一家专注于 AI 基础设施的云服务提供商，已签署一份直至 2029 年的 NVIDIA A100 GPU 合同，证明了旧款 AI 硬件的持续盈利能力。尽管人们担心 GPU 会迅速过时，但 CoreWeave 的首席执行官强调，这些上一代 GPU 的定价仍然坚挺。这种长寿部分归因于遗留数据中心的供电和散热限制，这使得部署像 NVIDIA 的 Blackwell 架构这样更新、更耗电的 GPU 变得困难，从而使旧款硬件保持需求。
-
中国DFSX芯片的内存带宽是NVIDIA GB200的两倍
中国的DFSX已开发出一款新芯片，据报道其内存带宽是NVIDIA GB200的两倍。这项进展利用了14nm超级节点工艺，绕过了用于垂直计算内存塔的微凸点。DFSX芯片旨在为高性能计算市场提供具有竞争力的替代方案。
-
NVIDIA：AI集群性能取决于配置，而非仅硬件
NVIDIA强调，使用其H100、GB200或GB300系统的相同AI集群，在吞吐量上可能表现出显著差异。该公司的分析表明，特定的配置选择对性能的影响比单纯选择硬件组件更大。
-
Nota AI 发布面向 NVIDIA Blackwell 的 4 位量化 Solar Open2 250B 模型
Nota AI 发布了 Upstage 的 Solar Open2 250B 模型的 4 位量化版本，命名为 Solar Open2 250B — Nota NVFP4。新版本采用了 Nota AI 专有的量化技术，专门针对混合专家（MoE）大语言模型设计。运行此模型的一个关键要求是 NVIDIA Blackwell 架构，因为它利用了该系列中引入的 FP4 张量核心。
-
GMI Cloud 在 2026 世界人工智能大会上发布全栈 AI 解决方案
GMI Cloud 在 2026 世界人工智能大会上展示了其全面的 AI 基础设施解决方案，重点介绍了其 AI Cloud、MaaS 和 Agentbox 平台。作为 NVIDIA 云合作伙伴，GMI Cloud 提供由 GB300 和 GB200 等高性能芯片驱动的 GPU 云服务，并在台北设有著名的“AI Factory”集群。该公司还展示了用于资源管理的 Cluster Engine、用于模型访问的 Inference Engi…
-
SemiAnalysis称Kimi K3模型的规模和效率将提振AI硬件需求
SemiAnalysis认为，尽管Kimi K3模型采用了线性注意力和较低的KV缓存需求，但它对NVIDIA和更广泛的AI硬件生态系统是有益的。该模型拥有庞大的2.8万亿参数，需要大规模的基础设施，包括NVL72等专用机架，其WideEP优化虽然增加了网络带宽需求，但却是为这类系统设计的。此外，杰文斯悖论表明，AI效率的提高最终将导致更广泛的应用，从而增加对GPU、HBM、DRAM和网络基础设施的需求。
-
NVIDIA 的 VR NVL72 系统采用无缆设计，配备 Rubin GPU
SemiAnalysis 对 NVIDIA 即将推出的 VR NVL72 系统进行了详细分解，重点介绍了与 GB200 等先前架构相比的重大设计变更。关键创新包括无缆计算托盘设计，用 Paladin HD2 板对板连接器取代传统连接器，以提高可靠性并缩短组装时间。该系统使用 Strata 模块，每个模块包含两个 Nvidia Rubin GPU 和一个 Vera CPU，并配有可插拔的 LPDDR5X 内存。
-
液冷行业进入订单兑现期，受GB200/GB300需求驱动
液冷行业正从投机性兴趣转向切实的订单兑现和业绩实现。拥有制造能力、客户认证和关键零部件专业知识的公司将从中受益。由于NVIDIA的GB200/GB300的大规模生产，供应链需求增加，导致台湾和国际领导者面临产能限制，而中国大陆公司通过精密加工和组装来处理溢出订单。国内品牌通过认证和客户关系在CSP、ODM和国内GPU生态系统中获得一席之地，目前处于样品和小批量验证阶段，长期增长前景最为强劲。
-
NVIDIA GPU 和 Grace CPU 为全球 81% 的最快超级计算机提供动力
NVIDIA 技术在最新的 TOP500 和 Green500 超级计算机排名中占据主导地位，为 TOP500 系统中的 81% 和 Green500 排名的前八名提供动力。该公司日益将 Grace CPU 和 GPU 集成到这些高性能机器中，Grace CPU 的采用量翻了一番。这种广泛的应用凸显了对人工智能、模拟和科学研究中加速计算日益增长的需求，NVIDIA 系统整体上提供了优于所有其他平台的卓越人工智能训练和推理能力。
-
Computex 2026 上推出 AI 硬件冷却室
一款专为高性能 AI 硬件（特别是 NVIDIA 的 DGX GB100 和 GB200 系统）设计的新型冷却室在 Computex 2026 上展出。这一创新的冷却解决方案旨在管理这些强大机器产生的剧烈热量，这些机器对于大规模 AI 模型训练和推理至关重要。该冷却室的设计侧重于高效散热，以确保 AI 硬件的最佳性能和寿命。
-
PiD解码器通过像素扩散加速高分辨率图像生成
研究人员开发了PiD，一种新颖的像素扩散解码器，可显著提高图像生成的质量和速度。这种新方法将潜在解码重新构建为条件像素扩散过程，从而能够更快、更详细地合成高分辨率图像。PiD可以集成到现有的文本到图像系统中，在视觉保真度和计算效率方面都提供了实质性的改进。
-
新指标 OFU 追踪 AI 工作负载的 GPU 效率
研究人员开发了一种名为整体 FLOP 利用率 (OFU) 的新指标，用于衡量 AI 工作负载的 GPU 效率。OFU 源自芯片上的性能计数器，无需应用程序插桩，因此适用于不同的 GPU 代和精度。在生产训练作业上进行测试时，OFU 与应用程序级指标显示出很强的相关性，并有助于识别效率回归和框架计算错误。
-
Nvidia 的 GB300 GPU 推理速度比 GB200 快 2.7 倍
Nvidia 的 GB300 ultra NVL72 在使用 vLLM 项目的引擎进行的推理任务中，展示了比 GB200 NVL72 快 2.7 倍的速度优势。这一性能飞跃超出了基于 GB300 规格的理论预期，其规格包括 NVFP4 FLOPs 和 HBM 容量增加 1.5 倍，同时 HBM 带宽与 GB200 相同。