Performance Rating
NVIDIA H200 SXM 141 GB outperforms NVIDIA GRID A100A by 198.41% in the overall GPU ARK performance rating
NVIDIA H200 SXM 141 GB
Expert Comparison
NVIDIA H200 SXM 141 GB значительно превосходит NVIDIA GRID A100A по количеству ядер (16896 против 6912), объему памяти (141 ГБ против 32 ГБ) и производительности в FP32 (66.91 TFLOPS против 19.49 TFLOPS). H200 также имеет более высокую пропускную способность (4.89 TB/s против 1.87 TB/s) и большую TDP (700 Вт против 400 Вт). Однако GRID A100A предлагает более высокий GPI (22.6 против 67.4), что может быть важным фактором для определенных приложений. H200 больше подходит для вычислений с большими объемами данных и требовательных к вычислительной мощности задач, тогда как GRID A100A может быть более эффективным для менее интенсивных задач.
Contents:
Memory ML Performance Compute Power Architecture & Compatibility ML Software Support Clocks & Performance Power Consumption Rendering Benchmarks AdditionalMemory
Memory Size
+341%
141
ГБ
Memory Type
Memory Bandwidth
+161%
4.89 TB/s
Memory Bus Width
ML Performance
FP16 (Half Precision)
+243%
267.6
TFLOPS
BF16 (Brain Float)
TF32 (TensorFloat)
Compute Power
FP32 (Single Precision)
+243%
66.91
TFLOPS
FP64 (Double Precision)
+243%
33.45
TFLOPS
CUDA Cores
+144%
16,896
RT Cores
Architecture & Compatibility
GPU Architecture
SM (Streaming Multiprocessor)
+22%
132
PCIe Version
ML Software Support
CUDA Version
9.0
Clocks & Performance
Base Clock
+37%
1,500
Boost Clock
+40%
1,980
Memory Clock
+31%
1,593
Power Consumption
Recommended PSU
-27%
800 W
Power Connector
TDP/TGP
-43%
400 W
Rendering
Texture Units (TMU)
+22%
528
ROP
L2 Cache
+56%
50 MB
Benchmarks
MLPerf, llama2-70b-99.9 (UNSET)
MLPerf, llama2-70b-99.9 (fp16)
MLPerf, llama2-70b-99.9 (fp8)
MLPerf, llama3.1-405b (fp16)
MLPerf, llama3.1-405b (fp8)
MLPerf, llama3.1-8b (fp8)
MLPerf, deepseek-r1 (fp8)
MLPerf, mixtral-8x7b (fp8)
Additional
Slots
SXM Module
Release Date
Display Outputs
Renting is cheaper than buying
H100 80Gb SXM (80GB)
NVIDIA
Флагманская GPU на архитектуре Hopper с 80 ГБ памяти HBM3 в форм-факторе SXM. Создана для обучения и инференса больших языковых моделей, HPC задач. Поддерживает FP64, FP32, TF32, FP16, BF16, FP8 и INT8 вычисления с Tensor Cores 4-го поколения.
from 299.11 RUB/hour
