Ficha técnica SPEC CARD
NVIDIA Tesla P100
El buque insignia bisagra de la transición al deep learning: la primera GPU con HBM2 de la historia (16 GB) + estreno de NVLink + corazón del DGX-1; en la era Pascal sin Tensor Cores, sostuvo el entrenamiento con FP16 a relación 2:1 como caballo de batalla de transición; tras la llegada de la V100, gran parte del stock SXM2/PCIe cayó al mercado de segunda mano, y las tarjetas de 16 GB de gran memoria a bajo precio siguen siendo modelos de circulación en el mercado de segunda mano para despliegue de modelos pequeños e inferencia
Resumen
NVIDIA Tesla P100 se basa en el núcleo GP100 de la arquitectura Pascal, fabricado en proceso de 16 nm FinFET, y fue la primera GPU de NVIDIA con memoria de alto ancho de banda HBM2, equipada con 16 GB en encapsulado CoWoS y una interfaz de memoria de 4096 bits. La tarjeta se ofrece en dos formatos: módulo SXM2 y PCIe. La versión SXM2 estrenó la tecnología de interconexión NVLink, sentando las bases de los sistemas DGX posteriores; la versión PCIe está orientada a servidores estándar. Compute Capability 6.0, sin Tensor Cores, con doble caudal en FP16. Sus usos típicos son el entrenamiento e inferencia de deep learning, la computación de alto rendimiento y las cargas por lotes que exigen gran capacidad de memoria; hoy también circula como stock de segunda mano en escenarios de despliegue de modelos pequeños.
Especificaciones clave
| Arquitectura | Pascal (GP100), Compute Capability 6.0; 16 nm FinFET, 610 mm², 15 300 millones de transistores (el GP100 completo tiene 60 SM, la P100 usa 56 SM) |
| Memoria | 16 GB CoWoS HBM2 (cuatro stacks de 4 dies, ECC nativo HBM2 sin sobrecoste de capacidad/ancho de banda; la versión PCIe tiene además una variante de 12 GB a 549 GB/s) |
| Ancho de banda de memoria | 732 GB/s (cifra del datasheet oficial; el texto del whitepaper usa el cálculo aproximado de 180 GB/s por stack × 4 = 720; la variante PCIe de 12 GB queda en 549 GB/s) |
| Ancho de bus de memoria | 4096 bits (8 controladores de memoria de 512 bits, idéntico en ambas versiones según deviceQuery en unidades reales) |
| Potencia de cómputo | Dos cifras: versión SXM2 FP32 10,6 / FP16 21,2 / FP64 5,3 TFLOPS; versión PCIe FP32 9,3 / FP16 18,7 / FP64 4,7 TFLOPS (la generación Pascal no tiene Tensor Cores; el FP16 logra 2:1 de caudal mediante unidades dedicadas del GP100) |
| Núcleos CUDA | 3584 (56 SM × 64, verificado con deviceQuery; unidades FP64: 1792 = 32/SM) |
| Consumo | SXM2 300 W (en nvidia-smi el valor por defecto = máximo, mínimo 150 W) / PCIe 250 W (por defecto = máximo, mínimo 125 W) |
| Interconexión | Versión SXM2: NVLink de 4 links × 40 GB/s = 160 GB/s bidireccionales (estreno mundial) + PCIe Gen3; versión PCIe sin NVLink, solo PCIe Gen3 x16 |
| Año de lanzamiento | 2016 (anunciada en el GTC de San José el 05-04-2016 según el dev blog oficial; la SXM2 llegó primero con el DGX-1, la PCIe empezó a distribuirse en septiembre de 2016) |
| Formato | SXM2: módulo mezzanine sobre placa base (140 mm × 78 mm, 300 W, número de pieza 900-2H403-0000-000) / PCIe de perfil completo, largo total y dos ranuras, pasiva (250 W); ninguna lleva ventilador |
| Frecuencias | SXM2: 1328 MHz base / 1480 MHz Boost; PCIe: 1189 MHz en aplicación / 1328 MHz máx. (medido con nvidia-smi); memoria a 715 MHz (1,43 Gbps efectivos × 2 = 732 GB/s, cuadra) |
| Características destacadas | La primera GPU con memoria HBM2 de la historia y tarjeta estreno de NVLink, buque insignia datacenter de Pascal; corazón del superordenador de IA DGX-1 con ocho tarjetas y 170 TFLOPS FP16; protagonista de la transición al deep learning sin Tensor Cores, con un stock abundante y un mercado de segunda mano muy activo |
Especificaciones verificadas con documentación oficial (
Benchmarks oficiales , actualizado el 2026-10-10) · El precio real está sujeto a la cotización del vendedor
Casos de uso
- Entrenamiento y fine-tuning de modelos de deep learning de tamaño medio y pequeño, aprovechando el doble caudal FP16 para compensar la ausencia de Tensor Cores
- Inferencia de modelos y despliegue de servicios en línea; los 16 GB de memoria permiten alojar pesos de modelos considerables y colas de procesamiento por lotes
- Computación de alto rendimiento y cálculo científico, ejecutando cargas HPC tradicionales gracias a su elevado caudal de punto flotante de doble precisión
- Tareas por lotes sensibles a la capacidad de memoria, como el preprocesamiento de grandes volúmenes de datos, computación sobre grafos y aceleración de bases de datos en memoria
Modelos de la misma familia
| Modelo | Memoria | Consumo |
|---|
| NVIDIA T4 Comparación | 16GB GDDR6 con ECC (activado por defecto) | 70W (potencia total de la placa, por defecto) |
| NVIDIA A100 Comparación | Doble versión: 40GB HBM2 / 80GB HBM2e (la de 80GB se presentó el 16-11-2020 en la SC20), con ECC | SXM4 400W (igual en 40GB/80GB); versión PCIe: 40GB 250W / 80GB 300W |
| NVIDIA H20 Comparación | 96GB HBM3 (coincidencia en tres fuentes: Flopper/VipraTech/Tencent News) | TDP de 400W (coincidencia en tres fuentes: Flopper/tabla de especificaciones de VipraTech/'TDP de 400W' en Tencent News; se descarta la cifra contradictoria de 350W en el texto de VipraTech) |
| NVIDIA GB300 Comparación | 288GB HBM3e (por paquete de GPU; 576GB en el superchip; coexisten 2,1TB a nivel de placa HGX y 20TB por rack) | TGP de hasta 1400W |
| NVIDIA A30 Comparación | 24 GB HBM2 | 165 W |
| NVIDIA GeForce RTX 4090 Comparación | 24GB GDDR6X | TGP de 450W (315W en juegos de media, fuente de alimentación recomendada de 850W) |
Vídeo explicativo VIDEO
Puntos clave de compra e inspección
- Verificar la compatibilidad de formato y refrigeración: ambas versiones son de disipación pasiva y dependen del flujo de aire forzado del chasis del servidor; la versión SXM2 es un módulo sobre placa base, no una tarjeta estándar, y requiere un sistema completo o placa base compatible con SXM2. Al adquirir equipos de segunda mano conviene confirmar que el flujo de aire y la capacidad térmica de la sala cumplen los requisitos del diseño pasivo
- Comprobar alimentación y condiciones de la sala: los niveles de consumo de las versiones SXM2 y PCIe difieren (tomando como referencia el límite legible en nvidia-smi); antes del despliegue hay que planificar la alimentación del rack y el margen de las PDU según la potencia nominal del sistema, evitando mezclar versiones de distinto consumo que provoquen sobrecargas
- Distinguir versiones y verificar autenticidad: confirmar que el nombre del dispositivo (por ejemplo Tesla P100-SXM2-16GB o Tesla P100-PCIE-16GB) coincide con el número de pieza; atención: la versión PCIe existe en una variante de 12 GB con parámetros de rendimiento distintos. Tras la recepción se recomienda verificar con deviceQuery y nvidia-smi el número de SM, la capacidad de memoria y que el estado ECC esté en Enabled
Preguntas frecuentes
¿En qué se diferencian la versión SXM2 y la PCIe de la Tesla P100, y cuál elegir?
La versión SXM2 es un módulo mezzanine sobre placa base con interconexión NVLink de cuatro links, ideal para sistemas multi-GPU (como el DGX-1); la versión PCIe es una tarjeta estándar Gen3 x16, sin NVLink, compatible con servidores convencionales, aunque la comunicación multi-GPU pasa por el bus PCIe. Para inferencia de una sola tarjeta o despliegues generales, la PCIe es más fácil de instalar; para escalabilidad multi-GPU se necesita un sistema compatible con SXM2.
¿Vale la pena la P100 para deep learning sin Tensor Cores?
La P100 pertenece a una arquitectura anterior a los Tensor Cores; su caudal de entrenamiento depende del doble ritmo FP16 y del gran ancho de banda de memoria. Aún puede con modelos pequeños y medianos, pero la diferencia de eficiencia frente a tarjetas modernas con Tensor Cores es notable. Hoy se usa sobre todo en entrenamiento de modelos pequeños, despliegue de inferencia y escenarios con requisitos de caudal no extremos pero alta demanda de memoria; su principal baza es la relación precio/rendimiento.
¿Qué hay que vigilar al comprar una Tesla P100 de segunda mano?
Primero, confirmar la variante de memoria (16 GB o la de 12 GB de la versión PCIe) y las diferencias de ancho de banda; segundo, al ser una tarjeta de disipación pasiva, debe montarse en un chasis de servidor con buen flujo de aire y nunca usarse al aire libre; tercero, comprobar que el ECC esté activado y que la memoria HBM2 no presente errores; por último, la versión SXM2 no funciona directamente en placas base convencionales y requiere una placa o sistema dedicado.
Documentación actualizada el 2026-10-10 · profundice con la
Política editorial Ficha a fondo