Fiche technique SPEC CARD
NVIDIA Tesla P100
Le fleuron charnière de la période de transition vers le deep learning : premier GPU HBM2 de l'histoire (16 Go) + lancement de NVLink + cœur du DGX-1 ; à l'époque Pascal sans Tensor Core, c'était le relais de formation s'appuyant sur le FP16 en ratio 2:1 ; après l'arrivée du V100, les nombreux exemplaires SXM2/PCIe se sont déversés sur le marché de l'occasion, et les cartes 16 Go à grand espace mémoire restent aujourd'hui des modèles de circulation sur le marché de l'occasion pour les petits modèles et l'inférence
Vue d'ensemble
Le NVIDIA Tesla P100 repose sur le cœur GP100 de l'architecture Pascal, gravé en 16 nm FinFET ; il s'agit du premier GPU NVIDIA équipé de mémoire HBM2 à large bande passante, avec 16 Go de mémoire encapsulée en CoWoS et une interface mémoire 4096 bits. La carte existe en deux formats : le module SXM2 et la version PCIe. La version SXM2 introduit pour la première fois l'interconnexion NVLink, posant les bases des futurs systèmes DGX ; la version PCIe vise les serveurs standard. Compute Capability 6.0, sans Tensor Core, avec un débit FP16 doublé. Ses usages typiques sont l'entraînement et l'inférence en deep learning, le calcul haute performance et les tâches batch nécessitant une capacité mémoire importante ; elle circule aujourd'hui également sous forme de stock d'occasion dans les scénarios de déploiement de petits modèles.
Spécifications clés
| Architecture | Pascal (GP100), Compute Capability 6.0 ; 16 nm FinFET, 610 mm², 15,3 milliards de transistors (GP100 complet : 60 SM, le P100 en utilise 56) |
| Mémoire vidéo | 16 Go CoWoS HBM2 (quatre stacks 4-die, ECC natif HBM2 sans perte de capacité/bande passante ; la version PCIe existe aussi en variante 12 Go à 549 Go/s) |
| Bande passante mémoire | 732 Go/s (selon la datasheet officielle ; le corps du livre blanc retient le calcul approximatif 180 Go/s par stack ×4 = 720 ; variante PCIe 12 Go : 549 Go/s) |
| Largeur du bus mémoire | 4096 bits (8 contrôleurs mémoire 512 bits, identique sur les deux versions selon deviceQuery en conditions réelles) |
| Puissance de calcul | Double comptage : version SXM2 FP32 10,6 / FP16 21,2 / FP64 5,3 TFLOPS ; version PCIe FP32 9,3 / FP16 18,7 / FP64 4,7 TFLOPS (génération Pascal sans Tensor Core, le FP16 passe par des unités dédiées du GP100 avec un débit 2:1) |
| Cœurs CUDA | 3584 (56 SM × 64, relevé deviceQuery ; unités FP64 : 1792, soit 32/SM) |
| TDP | SXM2 300 W (nvidia-smi : valeur par défaut = max, min 150 W) / PCIe 250 W (défaut = max, min 125 W) |
| Interconnexion | Version SXM2 : NVLink 4 liens × 40 Go/s = 160 Go/s bidirectionnel (première mondiale) + PCIe Gen3 ; version PCIe : pas de NVLink, uniquement PCIe Gen3 x16 |
| Année de lancement | 2016 (annoncée au GTC de San José le 05/04/2016, selon le blog développeur officiel ; la version SXM2 est arrivée d'abord avec le DGX-1, la version PCIe est livrée à partir de septembre 2016) |
| Format | SXM2 : module mezzanine (140 mm × 78 mm, 300 W, référence 900-2H403-0000-000) / PCIe full-height full-length passive double slot (250 W), aucune version avec ventilateur |
| Fréquences | SXM2 : base 1328 / Boost 1480 MHz ; PCIe : application 1189 / max 1328 MHz (mesures nvidia-smi) ; mémoire 715 MHz (soit 1,43 Gbps équivalents ×2 = 732 Go/s, cohérent) |
| Points forts | Premier GPU HBM2 de l'histoire + carte de lancement de NVLink, fleuron datacenter de la génération Pascal ; cœur de l'IA-superordinateur DGX-1 à huit cartes et 170 TFLOPS FP16 ; vedette de la transition deep learning avant l'ère Tensor Core, avec un fort volume en stock et une activité soutenue de circulation sur le marché de l'occasion |
Spécifications vérifiées contre les sources officielles (
benchmarks officiels , mis à jour le 10/10/2026) · Le prix réel est soumis au devis du vendeur
Cas d'usage
- Entraînement et fine-tuning de modèles de deep learning de taille moyenne, en tirant parti du débit FP16 doublé pour compenser l'absence de Tensor Core
- Inférence de modèles et déploiement de services en ligne : les 16 Go de mémoire accueillent des poids de modèle volumineux et des files de batch
- Calcul haute performance et calcul scientifique, avec un bon débit en double précision pour les charges HPC traditionnelles
- Tâches batch sensibles à la capacité mémoire, comme le prétraitement de données à grande échelle, le calcul sur graphes et l'accélération de bases de données en mémoire
Modèles de la même famille
| Modèle | Mémoire vidéo | TDP |
|---|
| NVIDIA T4 Comparer | 16 Go GDDR6 avec ECC (activé par défaut) | 70 W (puissance totale de la carte, par défaut) |
| NVIDIA A100 Comparer | Double version 40 Go HBM2 / 80 Go HBM2e (version 80 Go annoncée le 2020-11-16 à SC20), avec ECC | SXM4 400 W (identique en 40 Go et 80 Go) ; version PCIe : 40 Go 250 W / 80 Go 300 W |
| NVIDIA H20 Comparer | 96 Go HBM3 (concordance Flopper/VipraTech/Tencent News) | 400 W TDP (Flopper/tableau VipraTech/'400 W TDP' Tencent News, triple concordance ; les 350 W mentionnés dans le corps du texte de VipraTech, contradictoires, ont été écartés) |
| NVIDIA GB300 Comparer | 288 Go HBM3e (par cœur GPU ; 576 Go pour la superpuce ; 2,1 To au niveau carte HGX / 20 To par baie, deux chiffres coexistant) | TGP jusqu'à 1400 W |
| NVIDIA A30 Comparer | 24 GB HBM2 | 165 W |
| NVIDIA GeForce RTX 4090 Comparer | 24GB GDDR6X | 450 W TGP (335 W en jeu en moyenne, alimentation système recommandée 850 W) |
Présentation vidéo VIDEO
Points d'achat et de vérification
- Vérifier la cohérence du format et du refroidissement : les deux versions sont passives et dépendent du flux d'air forcé du châssis serveur ; la version SXM2 est un module sur carte mère et non une carte d'extension standard, ce qui exige un système complet ou une carte base compatible SXM2 ; lors de l'achat d'un serveur d'occasion, vérifier que le flux d'air et la capacité de refroidissement de la salle correspondent aux exigences d'un refroidissement passif
- Vérifier l'alimentation et les conditions de la salle : les versions SXM2 et PCIe ont des classes de consommation différentes (se référer au plafond lisible via nvidia-smi) ; avant déploiement, dimensionner l'alimentation du rack et la marge du PDU selon la puissance nominale du système afin d'éviter une surcharge due au mélange de versions de consommation différente
- Distinguer les versions et authentifier : privilégier la cohérence entre le nom du device (Tesla P100-SXM2-16GB ou Tesla P100-PCIE-16GB) et le numéro de pièce ; noter que la version PCIe existe en variante 12 Go, avec des paramètres de performance différents ; à la réception, contrôler via deviceQuery et nvidia-smi le nombre de SM, la capacité mémoire et l'état ECC (doit être Enabled)
FAQ
Quelle différence entre les versions SXM2 et PCIe du Tesla P100, et laquelle choisir ?
La version SXM2 est un module mezzanine prenant en charge quatre liens NVLink, adaptée aux systèmes multi-GPU (type DGX-1) ; la version PCIe est une carte standard Gen3 x16 sans NVLink, compatible avec les serveurs classiques mais où la communication inter-GPU passe par le bus PCIe. Pour de l'inférence mono-GPU ou un déploiement général, la version PCIe est plus simple à déployer ; pour l'extensibilité multi-GPU, il faut un système compatible SXM2.
Le P100 n'a pas de Tensor Core : vaut-il encore le coup pour le deep learning ?
Le P100 appartient à une génération antérieure à l'apparition des Tensor Core ; son débit d'entraînement repose principalement sur la vitesse FP16 doublée et une forte bande passante mémoire. Il reste acceptable pour l'entraînement de modèles de taille moyenne, mais l'écart d'efficacité avec les cartes modernes à Tensor Core est net. Aujourd'hui, cette carte sert surtout à l'entraînement de petits modèles et au déploiement d'inférence, dans des scénarios peu exigeants en débit mais gourmands en mémoire : son rapport qualité-prix est son principal atout.
À quoi faut-il faire attention avec un Tesla P100 d'occasion ?
D'abord, confirmer la version mémoire (16 Go ou variante PCIe 12 Go) et les écarts de bande passante ; ensuite, la carte étant à refroidissement passif, elle doit être installée dans un châssis serveur au flux d'air soigné, jamais à nu ; vérifier aussi que l'ECC est bien activé et que la mémoire HBM2 ne signale pas d'erreurs ; enfin, la version SXM2 ne peut pas s'utiliser directement sur une carte mère classique, elle exige une carte base dédiée ou un système complet.