Ficha técnica SPEC CARD
NVIDIA Tesla P100
O carro-chefe divisor de águas da era de transição do deep learning: a primeira GPU da história com HBM2 (16GB) + estreia do NVLink + coração do DGX-1; na era Pascal sem Tensor Core, era a força de transição que enfrentava o treinamento com FP16 2:1; após a iteração para a V100, grande parte do estoque SXM2/PCIe afundou no mercado de segunda mão, e as placas de 16GB de grande memória a preço baixo seguem sendo modelos ativos de circulação no mercado de segunda mão para pequenos modelos/inferência
Visão geral
A NVIDIA Tesla P100 é baseada no núcleo GP100 da arquitetura Pascal, fabricada em processo de 16nm FinFET, e foi a primeira GPU da NVIDIA com memória HBM2 de alta largura de banda, equipada com 16GB em encapsulamento CoWoS e interface de memória de 4096 bits. A placa foi oferecida em duas formas: módulo SXM2 e PCIe. A versão SXM2 estreou a tecnologia de interconexão NVLink, lançando as bases para os sistemas DGX posteriores; a versão PCIe destina-se a servidores padrão. Compute Capability 6.0, sem Tensor Core, com suporte a throughput FP16 dobrado. Seus usos típicos são treinamento e inferência de deep learning, computação de alto desempenho e tarefas em lote que exigem grande capacidade de memória; atualmente também circula como estoque de segunda mão em cenários de implantação de pequenos modelos.
Especificações principais
| Arquitetura | Pascal (GP100), Compute Capability 6.0; 16nm FinFET, 610 mm², 15,3 bilhões de transistores (GP100 completo com 60 SMs, P100 usa 56 SMs) |
| Memória | 16GB CoWoS HBM2 (quatro stacks de 4-die, ECC nativo do HBM2 sem custo de capacidade/largura de banda; a versão PCIe também teve uma variante de 12GB @ 549 GB/s) |
| Largura de banda de memória | 732 GB/s (segundo o datasheet oficial; o corpo do whitepaper usa o cálculo aproximado de 180 GB/s por stack × 4 = 720; a variante PCIe de 12GB, 549 GB/s) |
| Largura do barramento de memória | Barramento de 4096 bits (8 controladores de memória de 512 bits, confirmado pelo deviceQuery nas duas versões) |
| Poder de computação | Dois cenários: versão SXM2 FP32 10,6 / FP16 21,2 / FP64 5,3 TFLOPS; versão PCIe FP32 9,3 / FP16 18,7 / FP64 4,7 TFLOPS (a geração Pascal não tem Tensor Core; o FP16 atinge throughput 2:1 via unidades dedicadas do GP100) |
| Núcleos CUDA | 3584 (56 SMs × 64, confirmado pelo deviceQuery; unidades FP64: 1792 = 32/SM) |
| Consumo | SXM2 300W (nvidia-smi padrão = máximo, mín 150W) / PCIe 250W (padrão = máximo, mín 125W) |
| Interconexão | Versão SXM2: NVLink 4 links × 40GB/s = 160GB/s bidirecionais (primeiro lançamento mundial) + PCIe Gen3; versão PCIe sem NVLink, apenas PCIe Gen3 x16 |
| Ano de lançamento | 2016 (anunciada na GTC San Jose em 05/04/2016, conforme dev blog oficial; SXM2 estreou com o DGX-1, versão PCIe começou a ser enviada em setembro de 2016) |
| Forma | SXM2: mezzanine no backplane (140 mm × 78 mm, 300W, part number 900-2H403-0000-000) / PCIe full-height full-length dual-slot passiva (250W), ambas sem ventoinha |
| Frequências | SXM2: base 1328 / Boost 1480 MHz; PCIe: aplicação 1189 / máx 1328 MHz (medições do nvidia-smi); memória 715 MHz (equivalente a 1,43 Gbps × 2 = 732 GB/s, consistente) |
| Destaques | A primeira GPU da história com memória HBM2 + placa de estreia do NVLink e carro-chefe datacenter da geração Pascal; coração do supercomputador de IA DGX-1 com 170 TFLOPS FP16 em oito placas; força principal da era de transição do deep learning sem Tensor Core, com grande estoque remanescente e intensa circulação no mercado de segunda mão |
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
- Treinamento e fine-tuning de modelos de deep learning de pequeno e médio porte, aproveitando o throughput FP16 dobrado para compensar a ausência de Tensor Core
- Inferência de modelos e implantação de serviços online, com 16GB de memória capazes de acomodar pesos de modelos maiores e filas de batching
- Computação de alto desempenho e científica, executando cargas HPC tradicionais graças ao throughput elevado em ponto flutuante de dupla precisão
- Tarefas em lote sensíveis à capacidade de memória, como pré-processamento de dados em larga escala, computação em grafos e aceleração de bancos de dados em memória
Modelos da mesma família
| Modelo | Memória | Consumo |
|---|
| NVIDIA T4 Comparar | 16GB GDDR6 com ECC (ativado por padrão) | 70W (potência total da placa, padrão) |
| NVIDIA A100 Comparar | Duas versões: 40GB HBM2 / 80GB HBM2e (a de 80GB anunciada na SC20 em 16/11/2020), com ECC | SXM4 400W (igual para 40GB/80GB); versão PCIe: 40GB 250W / 80GB 300W |
| NVIDIA H20 Comparar | 96GB HBM3 (três fontes consistentes: Flopper/VipraTech/Tencent News) | 400W TDP (três fontes: tabela de especificações Flopper/VipraTech e Tencent News com 'TDP de 400W'; o texto da VipraTech mencionava 350W, valor contraditório descartado) |
| NVIDIA GB300 Comparar | 288GB HBM3e (por encapsulamento de GPU; 576GB no superchip; HGX a nível de placa com 2,1TB / rack com 20TB, coexistindo) | TGP de até 1400W |
| NVIDIA A30 Comparar | 24 GB HBM2 | 165 W |
| NVIDIA GeForce RTX 4090 Comparar | 24GB GDDR6X | 450W TGP (média de 315W em jogos, fonte recomendada de 850W) |
Vídeo explicativo VIDEO
Pontos de compra e inspeção
- Confirmar compatibilidade entre forma física e refrigeração: ambas as versões deste modelo usam refrigeração passiva e dependem do fluxo de ar forçado do chassi do servidor; a versão SXM2 é um módulo de backplane, não uma placa padrão, exigindo um sistema ou backplane com suporte a SXM2; ao adquirir sistemas de segunda mão, verifique se o fluxo de ar e a capacidade de refrigeração do datacenter atendem aos requisitos do projeto passivo
- Verificar alimentação e condições do datacenter: as versões SXM2 e PCIe têm classes de consumo distintas (use o limite legível no nvidia-smi como referência); antes da implantação, planeje a alimentação do rack e a margem do PDU conforme a potência nominal do sistema, evitando misturar versões com consumos diferentes e causar sobrecarga
- Distinguir versões e autenticar: priorize confirmar que o nome do dispositivo (ex.: Tesla P100-SXM2-16GB ou Tesla P100-PCIE-16GB) e o número de peça coincidem; note que a versão PCIe possui uma variante de 12GB, com parâmetros de desempenho também variando por versão; após o recebimento, recomenda-se usar deviceQuery e nvidia-smi para conferir número de SMs, capacidade de memória e se o ECC está Enabled
Perguntas frequentes
Qual a diferença entre a Tesla P100 SXM2 e a PCIe, e como escolher?
A versão SXM2 é um módulo mezzanine de backplane com suporte a interconexão NVLink de quatro links, adequada para sistemas multi-GPU (como o DGX-1); a versão PCIe é uma placa padrão Gen3 x16, sem NVLink, compatível com servidores comuns, mas a comunicação entre placas passa pelo barramento PCIe. Para inferência em placa única ou implantação geral, a PCIe é mais fácil de implantar; para escalabilidade multi-GPU, é necessário um sistema com suporte a SXM2.
A P100 não tem Tensor Core — ainda vale a pena para deep learning?
A P100 pertence à arquitetura anterior ao surgimento dos Tensor Cores, e o throughput de treinamento depende principalmente da taxa dobrada em FP16 e da alta largura de banda de memória. Ainda dá conta do treinamento de modelos pequenos e médios, mas a diferença de eficiência frente a placas modernas com Tensor Core é evidente. Hoje a placa é mais usada em treinamento de pequenos modelos, inferência e implantações em cenários que não exigem throughput extremo mas demandam muita memória, sendo o custo-benefício sua principal vantagem.
O que observar ao comprar uma Tesla P100 de segunda mão?
Primeiro, confirme a versão de memória (16GB ou a variante de 12GB da versão PCIe) e as diferenças de especificação de largura de banda; segundo, a placa é refrigerada passivamente e deve ser instalada em um chassi de servidor com fluxo de ar adequado, nunca usada fora do gabinete; terceiro, verifique se o ECC está ativado corretamente e se a memória HBM2 apresenta erros; por fim, lembre que a versão SXM2 não pode ser usada diretamente em placas-mãe comuns, exigindo um backplane ou sistema dedicado.
Conteúdo atualizado em 2026-10-10 · Para aprofundar, siga a Ficha em profundidade
Política editorial fluxo