I går meddelade Nvidia att dess kommande H100 GPU “Hopper” Tensor Core installerade nya
MPerf benchmarks mäter arbetsbelastningar"outputs" som visar hur väl chippet kan tillämpa en förtränad maskininlärningsmodell på ny data. En grupp industriföretag som kallas MLCommons utvecklade MLPerf-riktmärkena under 2018 för att tillhandahålla ett standardiserat mått för att presentera maskininlärningsprestanda för potentiella kunder.
Speciellt presterade H100 bra iBERT-Large benchmark, som mäter prestandan för naturlig språkbehandling med hjälp av BERT-modellen utvecklad av Google. Nvidia tillskriver detta specifika resultat till Transformer Engine of the Hopper-arkitekturen, som specifikt påskyndar träningen av transformationsmodeller. Detta innebär att H100 kan accelerera framtida naturliga språkmodeller som OpenAI:s GPT-3, som kan komponera skrift i en mängd olika stilar och chattkonversationer.
Chipet, som fortfarande är under utveckling, spås ersätta A100 som företagets flaggskepps GPU för datacenter.