SECTIONS
EDITIONS
NETWORK
AIXX Pedia Die Enzyklopädie der Rechenleistung

AIXX Pedia › Technisches Konzept › Tensor Core

Tensor Core

NVIDIA TENSOR CORE · Technologiebegriff

Überblick OVERVIEW

Tensor Cores sind spezialisierte Matrix-Recheneinheiten, die mit der NVIDIA-Volta-Architektur (2017) eingeführt wurden – jeder Tensor Core führt in einem Takt eine 4×4-Matrixmultiplikation aus. Sie lösen ein bestimmtes Problem: Die Kernoperation des Deep Learnings ist die Matrixmultiplikation (GEMM), und universelle CUDA-Kerne arbeiten dabei ineffizient. Tensor Cores wurden genau dafür entworfen.

Die von jeder Tensor-Core-Generation unterstützten Präzisionen haben sich weiterentwickelt: erste Generation (Volta) FP16; zweite Generation (Turing) INT8/INT4; dritte Generation (Ampere) BF16/TF32; vierte Generation (Hopper) FP8; fünfte Generation (Blackwell) FP4. Jede neue Präzisionsstufe bedeutet, mehr Rechenleistung auf gleicher Fläche unterzubringen – das ist auch der Grund für das explosive Wachstum der FP4-Rechenleistung beim B300.

Kennzahlen KEY NUMBERS

PositionWert / Definition
Fünfte Generation (Blackwell)FP4/FP6/FP8/FP16/BF16/TF32/FP64
FP4-Rechenleistung (B300)ca. 15 PFLOPS dicht / mit Sparsity höher
FP8-Rechenleistung (H100)3.341 TFLOPS (mit Sparsity)
Anzahl der GenerationenFünfte Generation (Blackwell)

Bedeutung für die B300 ON B300

Die Tensor Cores der fünften Generation im B300 unterstützen nativ FP4 und FP6 – large Language Models lassen sich auf FP4 quantisieren, ohne dass die Präzision wesentlich leidet. Das bedeutet: Auf derselben Chipfläche passt doppelt so viel Rechenleistung wie bei FP8. Käufer sollten bei den Datenblättern aufpassen: Die von NVIDIA angegebene FP4-Rechenleistung bezieht sich auf den Sparsity-Wert, die dichte Leistung ist halb so hoch. Der tatsächliche Inferenz-Durchsatz hängt vom Quantisierungs-Support des Frameworks ab (TensorRT-LLM / vLLM usw.).

Grenzen und Hinweise LIMITS

  • Tensor Cores beschleunigen nur Matrixoperationen: Nicht-Matrix-Operationen (Skalar-/Vektorarbeit) laufen weiterhin über die CUDA-Kerne – nicht jede Berechnung profitiert.
  • Trade-off zwischen niedriger Präzision und Durchsatz: FP4-Quantisierung kann die Modellgenauigkeit beeinträchtigen – ob das akzeptabel ist, hängt von Modell und Aufgabe ab (Klassifikation/Retrieval sind toleranter, generative Aufgaben weniger).
  • Generationssperre: Die neuen Präzisionsstufen jeder Tensor-Core-Generation erfordern aktuelle CUDA-/Framework-Versionen – ältere Frameworks müssen aktualisiert werden, um die Präzisionsfähigkeiten neuer Karten zu nutzen.

Videoerklärung VIDEO

Quellen REFERENCES

  1. NVIDIA-Website – Blackwell Ultra / HGX B300 Produktseite https://www.nvidia.com/en-us/data-center/hgx/
  2. Markt- und Umlaufdaten: AIXX Börse (Marktband dieser Datenbank)
Versionen und Korrekturen |Dieser Eintrag wird von der AIXX Pedia-Redaktion gepflegt, mit KI-Unterstützung erstellt und manuell geprüft. Aktualisiert am 30.10.2026 · Version v1.0 · Alle früheren Änderungen sind revisionssicher dokumentiert.
Datenbank
RedaktionsrichtlinienInteressenmeldung zu dieser DatenbankKorrekturkanal
Auszug aus der Redaktionsverfassung
Jede Aussage mit QuelleSchwächen immer benannt · Korrekturen öffentlich dokumentiertKeine bezahlten EinträgeKeine Werbung oder Verkaufselemente in EinträgenMarktdaten ausschließlich als Datenmodul eingebunden
AIXX-Familie
AIXX CloudAIXX BörseAIXX MarktdatenAIXX News
Marktüberblick: AIXX Börse · © 2026 AIXX Pedia · Ein Angebot von AIXX