Ficha técnica SPEC CARD
AMD Radeon Instinct MI50
A lenda ainda muito circulada na comunidade independente de inferência com muita memória: 16/32GB de HBM2 + PCIe 4.0, uma das primeiras GPUs de data center em 7nm do mundo (Next Horizon, 06-11-2018) e o último flagship da linhagem GCN 5.1/Vega 20 da AMD. A página oficial do produto já foi removida e o suporte oficial do ROCm encerrado (o gfx906 saiu da matriz de suporte oficial a partir do ROCm 6.x), mas o ecossistema de forks gfx906 para llama.cpp/Ollama/vLLM/ComfyUI segue ativo no GitHub em 2025-2026 (testes reais com Qwen3.8-27B de 19→48 tok/s, imagens otimizadas do ROCm 7.2, peças open source de ventoinhas adaptadas e shrouds), e a versão de 32GB no mercado de usados já chegou a cair para a faixa de ~150-200 USD, tornando-se a porta de entrada "HBM2 para quem tem pouco orçamento". Perspectiva de cobertura: modelo de circulação barato com muita memória HBM2 para inferência, na mesma série lendária do P40 e V100 como os três clássicos da comunidade independente de inferência
Visão geral
A AMD Radeon Instinct MI50 é uma placa aceleradora de data center lançada pela AMD em novembro de 2018, com núcleo Vega 20 (arquitetura GCN 5.1, gfx906 na nomenclatura do ROCm). Foi uma das primeiras GPUs de data center do mundo fabricadas no processo 7nm da TSMC e também o último flagship da família Vega 20. Conta com 60 unidades de computação e 3.840 processadores de fluxo, oferece memória HBM2 em capacidades de 16GB ou 32GB, suporta ECC em todo o chip, utiliza barramento PCIe 4.0 x16 e possui dois links Infinity Fabric para interconexão de múltiplas placas. Graças à grande capacidade de memória HBM2, mantém-se ativa há muito tempo na comunidade de inferência local de LLMs, e ainda hoje há muitos usuários que a utilizam continuamente em frameworks como llama.cpp, Ollama e vLLM.
Especificações principais
| Arquitetura | GCN 5.1 (Vega 20, gfx906, TSMC 7nm FinFET)——não é CDNA; a CDNA começou com a MI100 |
| Memória | 16GB ou 32GB HBM2 (Full-Chip ECC, duas versões) |
| Largura de banda de memória | 1 TB/s (1024 GB/s, 4096bit × 1GHz DDR) |
| Largura do barramento de memória | 4096 bit (4 stacks de HBM2 × 1024 bit) |
| Poder de computação | FP64 6,6 / FP32 13,3 / FP16 26,5 / INT8 53 TOPs (clock máximo do motor 1725 MHz) |
| Unidades de computação | 60 CUs / 3840 processadores de fluxo |
| Consumo | 300W Peak TDP (alimentação externa 2x8-Pin) |
| Interconexão | 2 links Infinity Fabric (92 GB/s por link, 184 GB/s no total) / PCIe 4.0 x16 (compatível com 3.0 x16) |
| Ano de lançamento | 2018 (anunciada no evento Next Horizon, 06-11-2018, uma das primeiras GPUs de data center em 7nm do mundo) |
| Forma | Placa PCIe add-in, full-height dual-slot 10,5" (267 mm), refrigeração ativa |
Especificações verificadas com base em documentação oficial (
Benchmarks oficiais , atualizado em 2026-10-10) · O preço real está sujeito à cotação do vendedor
Cenários de uso
- Inferência local de LLMs: aproveita a grande capacidade de memória HBM2 para carregar modelos de médio e grande porte, executando geração de texto em frameworks como llama.cpp, Ollama e vLLM, com otimizações contínuas da comunidade via forks gfx906
- Computação científica e cargas intensivas em ponto flutuante: com capacidade de cálculo em dupla precisão FP64, pode assumir simulações numéricas e tarefas de engenharia em cenários tradicionais de HPC
- Expansão com múltiplas GPUs: usa os dois links Infinity Fabric para montar sistemas multi-GPU, ampliando o pool de memória disponível para modelos maiores
- Geração de imagens e fluxos criativos: usada como placa de aceleração de inferência de modelos de difusão em pipelines como o ComfyUI, com imagens otimizadas e soluções de refrigeração adaptadas mantidas pela comunidade
Modelos da mesma família
Vídeo explicativo VIDEO
Pontos de compra e inspeção
- Formato e adaptação ao data center: a placa é um add-in PCIe full-height de dois slots, com 10,5 polegadas (267 mm) de comprimento, refrigeração ativa e alimentação externa de 2x8-Pin; o TDP máximo é de 300 W, e antes da compra é preciso confirmar que o chassi, o shroud de dutos e a fiação de alimentação atendem aos requisitos de slot duplo full-height e alto consumo
- Versões e verificação de autenticidade: o mercado é dominado pelas versões de 16GB e 32GB, sendo a de 32GB a escolha prioritária para inferência de grandes modelos; por se tratarem majoritariamente de placas aposentadas de data center, na inspeção deve-se confirmar em ambiente ROCm o reconhecimento do dispositivo gfx906, a capacidade de memória e o correto funcionamento do ECC em todo o chip
- Gestão de expectativas sobre suporte de software: a página oficial do produto já foi removida e o gfx906 saiu da matriz de suporte oficial a partir do ROCm 6.x; o comprador deve aceitar a realidade de depender de drivers mantidos pela comunidade; recomenda-se avaliar a manutenibilidade de longo prazo com base no ecossistema ativo de forks gfx906 no GitHub (como imagens otimizadas do ROCm e soluções open source de refrigeração adaptada)
Perguntas frequentes
A MI50 de 32GB ainda vale a pena comprar hoje para inferência de grandes modelos?
Se o orçamento é limitado e você aceita usar um stack mantido pela comunidade, continua sendo uma escolha comum para entrar na inferência com muita memória HBM2. A grande capacidade de memória comporta modelos maiores, e a comunidade de forks gfx906 dos frameworks llama.cpp, Ollama, vLLM e ComfyUI segue atualizando ativamente. Mas é importante lembrar que o suporte oficial do ROCm já foi encerrado, o que implica depender de ambientes próprios e soluções comunitárias.
O ROCm já não suporta o gfx906. A MI50 ainda funciona normalmente?
Sim. O gfx906 saiu da matriz de suporte oficial a partir do ROCm 6.x, mas o ecossistema de forks da comunidade segue ativo, incluindo imagens otimizadas e patches para essa arquitetura, além de registros contínuos de otimizações comprovadas na camada dos frameworks de inferência. Recomenda-se fixar uma combinação de versões do ROCm já validada pela comunidade.
Como escolher entre a MI50 de 16GB e a de 32GB?
Para inferência local de LLMs como uso principal, a vantagem da versão de 32GB em capacidade de memória é evidente, permitindo carregar modelos com mais parâmetros ou contextos mais longos; a de 16GB serve para orçamentos mais apertados ou modelos menores. Ambas têm arquitetura e especificações de computação idênticas; a diferença está principalmente na capacidade de memória e no preço.
Conteúdo atualizado em 2026-10-10 · Para aprofundar, siga a Ficha em profundidade
Política editorial fluxo