SECTIONS
EDITIONS
NETWORK
AIXX Pedia L'encyclopédie du calcul intensif

AIXX Pedia › Concept technique › Tensor Core

Tensor Core

NVIDIA TENSOR CORE · Article de concept technique

Vue d'ensemble OVERVIEW

Tensor Core est une unité de calcul matriciel dédiée introduite par NVIDIA avec l'architecture Volta (2017) — chaque Tensor Core effectue une multiplication matricielle 4×4 en un cycle d'horloge. Il répond à un même problème : l'opération centrale du deep learning est la multiplication de matrices (GEMM), inefficace sur les cœurs CUDA généralistes ; le Tensor Core a été conçu spécifiquement pour cela.

Les précisions prises en charge par chaque génération de Tensor Core évoluent : première génération (Volta) FP16 ; deuxième (Turing) INT8/INT4 ; troisième (Ampere) BF16/TF32 ; quatrième (Hopper) FP8 ; cinquième (Blackwell) FP4. Chaque nouvelle précision permet d'« entasser plus de puissance de calcul dans la même surface » — c'est la raison profonde de la croissance explosive des performances FP4 du B300.

Chiffres clés KEY NUMBERS

ÉlémentValeur / périmètre
Cinquième génération (Blackwell)FP4/FP6/FP8/FP16/BF16/TF32/FP64
Puissance FP4 (B300)Environ 15 PFLOPS en mode dense / davantage en mode sparse
Puissance FP8 (H100)3 341 TFLOPS (sparse)
Nombre de générationsCinquième génération (Blackwell)

Ce que cela signifie sur le B300 ON B300

Les Tensor Core de cinquième génération (B300) prennent en charge nativement les précisions FP4 et FP6 — l'inférence des grands modèles peut être quantifiée en FP4 avec une perte de précision quasi nulle, ce qui signifie que la même surface de silicium offre deux fois la puissance de calcul du FP8. Les acheteurs doivent y prêter attention : les performances FP4 annoncées par NVIDIA sont au compteur sparse ; en mode dense, elles sont divisées par deux — le débit réel d'inférence dépend du niveau de prise en charge de la quantification par le framework (TensorRT-LLM / vLLM, etc.).

Limites et points de vigilance LIMITS

  • Le Tensor Core n'accélère que les opérations matricielles : les opérations non matricielles (scalaires/vecteurs) passent toujours par les cœurs CUDA — tous les calculs n'en bénéficient pas.
  • Arbitrage précision réduite contre débit : la quantification FP4 peut dégrader la précision du modèle — la faisabilité dépend du modèle et de la tâche (tolérance élevée pour la classification/la recherche, faible pour les tâches génératives).
  • Verrouillage générationnel : les nouvelles précisions de chaque génération de Tensor Core exigent des versions récentes de CUDA/frameworks — exploiter les capacités d'une carte récente avec un ancien framework nécessite une mise à niveau.

Présentation vidéo VIDEO

Mémoire HBM3eInterconnexion NVLinkSXM / NVL8Refroidissement liquide à plaque froide / CDUFormat de précision FP8MoE mélange d'expertsPuce de commutation NVSwitchRéseau d'interconnexion InfiniBandStockage NVMeCDU de refroidissement par liquideRDMA accès direct à la mémoire distanteGPUDirectMIG (Multi-Instance GPU)PCIe Gen5Calcul confidentielvGPU GPU virtuelFP4 / FP6 flottants basse précisionKV Cache cache d'inférenceScale-up et Scale-outCPO optique co-packagéeNVLink FusionArchitecture modulaire MGXQuantification de modèleParallélisme de tenseursCommunications collectivesUsine à IABoucle de refroidissement liquideIndicateur d'efficacité PUETensorRT-LLMMoteur d'inférence vLLMLoRA adaptation bas rangChaîne d'approvisionnement en calculTCO coût total de possessionBenchmark de débit d'inférenceDistillation de modèleChaîne d'alimentation électriqueÉconomie des tokensPipeline de données d'entraînementStack d'optimisation d'inférenceMémoire GDDR7Famille des connecteurs d'alimentation (EPS/PCIe 8pin/12VHPWR/12V-2x6)Chronologie des contrôles à l'exportation vers la ChineGuide de validation GPU (nvidia-smi/GPU-Z)Optimisation d'inférence TensorRTExécution par graphes CUDA GraphsBibliothèque de communications collectives NCCLFormat de modèle ouvert ONNXGénéalogie des générations HBMEntraînement en précision mixteGénérations PCIeGénéalogie des formats de rackDécoder la nomenclature des GPUCircuit de GPU d'occasionComparaison refroidi par air / refroidi par liquideSanté mémoire et diagnostic de pannesMFU (taux d'utilisation de la puissance de calcul du modèle)Mémoire DDR5Mémoire HBM4Interconnexion UALinkFiche modèle B300

Références REFERENCES

  1. Site officiel NVIDIA — page produit Blackwell Ultra / HGX B300 https://www.nvidia.com/en-us/data-center/hgx/
  2. Données de marché et de circulation : AIXX Exchange (bande de marché de cette base)
Versions et corrections | Cette entrée est maintenue par la rédaction d'AIXX Pedia : rédaction assistée par IA, vérification factuelle humaine. Mise à jour le 31-10-2026 · Version v1.0 · Chaque révision est traçable.
Cette base
Politique éditorialeÀ propos de cette base (déclaration d'intérêts)le canal de corrections
Résumé de la charte éditoriale
Chaque affirmation sourcéeLes défauts obligatoirement mentionnés · Corrections publiques tracéesAucune entrée sponsorisée acceptéeZéro élément de prospection ou de vente dans les entréesDonnées de marché intégrées uniquement comme module de données
Famille AIXX
AIXX CloudAIXX ExchangeAIXX IndexActualités AIXX
Bilan du marché : AIXX Exchange · © 2026 AIXX Pedia · Une production AIXX