SECTIONS
EDITIONS
NETWORK
AIXX Pedia La enciclopedia del mundo del cómputo

AIXX Pedia › Concepto técnico › Tensor Core

Tensor Core

NVIDIA TENSOR CORE · Ficha de concepto técnico

Resumen OVERVIEW

El Tensor Core es una unidad de cálculo matricial especializada introducida por NVIDIA con la arquitectura Volta (2017): cada Tensor Core completa una multiplicación de matrices de 4×4 en un solo ciclo de reloj. Aborda un problema muy concreto: la operación central del aprendizaje profundo es la multiplicación de matrices (GEMM), y los núcleos CUDA de propósito general la ejecutan con baja eficiencia. Los Tensor Core se diseñaron precisamente para esto.

La precisión soportada por cada generación de Tensor Core ha evolucionado: primera generación (Volta) FP16; segunda (Turing) INT8/INT4; tercera (Ampere) BF16/TF32; cuarta (Hopper) FP8; quinta (Blackwell) FP4. Cada nueva precisión por generación permite «meter más potencia de cómputo en la misma superficie de silicio»: esa es la razón de fondo del crecimiento explosivo del rendimiento FP4 del B300.

Cifras clave KEY NUMBERS

ConceptoValor / criterio
Quinta generación (Blackwell)FP4/FP6/FP8/FP16/BF16/TF32/FP64
Potencia FP4 (B300)≈15 PFLOPS densos / más en disperso
Potencia FP8 (H100)3.341 TFLOPS (disperso)
Número de generacionesQuinta generación (Blackwell)

Su relevancia en el B300 ON B300

Los Tensor Core de quinta generación del B300 soportan de forma nativa las precisiones FP4 y FP6: la inferencia de grandes modelos puede cuantizarse a FP4 con una pérdida de precisión casi nula, lo que significa que la misma superficie de silicio alberga el doble de potencia de cómputo que en FP8. Al revisar especificaciones, el comprador debe tener en cuenta que las cifras FP4 anunciadas por NVIDIA se miden en modo disperso (sparse); el modo denso es la mitad. El rendimiento real de inferencia depende del grado de soporte de cuantización del framework (TensorRT-LLM / vLLM, etc.).

Límites y advertencias LIMITS

  • Los Tensor Core solo aceleran operaciones matriciales: las operaciones no matriciales (escalares/vectoriales) siguen ejecutándose en los núcleos CUDA; no todos los cálculos se benefician.
  • El compromiso entre baja precisión y throughput: la cuantización FP4 puede degradar la precisión del modelo; su viabilidad depende del modelo y de la tarea (clasificación/recuperación toleran bien la pérdida; las tareas generativas, poco).
  • Bloqueo generacional: las nuevas precisiones de cada generación de Tensor Core requieren versiones actualizadas de CUDA y de los frameworks; para aprovechar las capacidades de una GPU nueva con un framework antiguo hay que actualizar.

Vídeo explicativo VIDEO

Memoria HBM3eInterconexión NVLinkSXM / NVL8refrigeración líquida por placa fría / CDUFormato de precisión FP8MoE (mezcla de expertos)Chip conmutador NVSwitchRed de interconexión InfiniBandAlmacenamiento NVMeCDU de refrigerado por líquidoAcceso remoto directo a memoria RDMAGPUDirectGPU multi-instancia MIGPCIe Gen5Computación confidencialGPU virtual vGPUPrecisión de punto flotante reducida FP4 / FP6Caché de inferencia KV CacheScale-up y Scale-outÓptica copackaged CPONVLink FusionArquitectura modular MGXCuantización de modelosParalelismo de tensoresComunicaciones colectivasFábrica de IACircuito de refrigeración líquidaIndicador de eficiencia energética PUETensorRT-LLMMotor de inferencia vLLMAdaptación de bajo rango LoRACadena de suministro de cómputoCoste total de propiedad (TCO)Benchmarks de rendimiento de inferenciaDestilación de modelosCadena de suministro de energíaEconomía del tokenPipeline de datos de entrenamientoStack de optimización de inferenciaMemoria de vídeo GDDR7Familia de conectores de alimentación (EPS/PCIe 8pin/12VHPWR/12V-2x6)Cronología de los controles de exportación hacia ChinaGuía de verificación de GPU (nvidia-smi/GPU-Z)Optimización de inferencia con TensorRTEjecución por grafos con CUDA GraphsBiblioteca de comunicación colectiva NCCLFormato abierto de modelos ONNXGenealogía de generaciones HBMEntrenamiento en precisión mixtaGeneraciones de PCIeGenealogía de formatos de rackGuía de nomenclatura de modelos de GPUCircuito de comercialización de GPU de segunda manoComparativa entre refrigerado por aire y refrigerado por líquidoSalud de la memoria de vídeo y diagnóstico de fallosMFU (utilización de cómputo del modelo)Memoria DDR5Memoria de vídeo HBM4Interconexión UALinkFicha de modelo B300

Referencias REFERENCES

  1. Sitio oficial de NVIDIA — Página del producto Blackwell Ultra / HGX B300 https://www.nvidia.com/en-us/data-center/hgx/
  2. Datos de mercado y circulación: AIXX Exchange (franja de mercado de esta base)
Versiones y correcciones |Esta entrada es mantenida por el equipo editorial de AIXX Pedia, redactada con asistencia de IA y verificada por humanos. Actualizada el 2026-10-31 · Versión v1.0 · Todos los cambios quedan registrados y consultables.
Esta base
Política editorialSobre esta base (declaración de intereses)canal de correcciones
Resumen de la constitución editorial
Cada afirmación con fuenteDefectos siempre indicados · correcciones públicas y trazablesNo se aceptan entradas pagadasCero elementos de captación o venta dentro de las entradasLos datos de cotización solo se montan como módulo de datos
Familia AIXX
AIXX CloudAIXX ExchangeAIXX IndexAIXX Noticias
Repaso de mercado: AIXX Exchange · © 2026 AIXX Pedia · una producción de AIXX