Performance Rating
NVIDIA H200 SXM 141 GB outperforms ZOTAC P102-100 by 880.79% in the overall GPU ARK performance rating
ZOTAC P102-100
Expert Comparison
NVIDIA H200 SXM 141 GB значительно выигрывает по параметрам над ZOTAC P102-100: имеет более мощную архитектуру Hopper, больше ядер (16896 против 3200), больше памяти (141 ГБ против 5 ГБ) и гораздо большую пропускную способность (4.89 TB/s против 440.3 GB/s). Он также потребляет больше энергии (700 Вт против 250 Вт), что подходит для современных требований в области AI и высокопроизводительного вычисления. В то время как ZOTAC P102-100, выпущенный в 2018 году, лучше подходит для базовых задач графики и легких вычислений.
Contents:
Memory ML Performance Compute Power Architecture & Compatibility ML Software Support Clocks & Performance Power Consumption Rendering Benchmarks AdditionalMemory
Memory Size
+2,720%
141
ГБ
Memory Type
Memory Bandwidth
4.89 TB/s
Memory Bus Width
ML Performance
FP16 (Half Precision)
+158,902%
267.6
TFLOPS
BF16 (Brain Float)
TF32 (TensorFloat)
Compute Power
FP32 (Single Precision)
+521%
66.91
TFLOPS
FP64 (Double Precision)
+9,838%
33.45
TFLOPS
CUDA Cores
+428%
16,896
RT Cores
Architecture & Compatibility
GPU Architecture
SM (Streaming Multiprocessor)
+428%
132
PCIe Version
ML Software Support
CUDA Version
9.0
Clocks & Performance
Base Clock
1,500
Boost Clock
+18%
1,980
Memory Clock
+16%
1,593
Power Consumption
Recommended PSU
-45%
600 W
Power Connector
TDP/TGP
-64%
250 W
Rendering
Texture Units (TMU)
+164%
528
ROP
L2 Cache
+1,900%
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
