AIXX Pedia › Conceito técnico › Tensor Core
O Tensor Core é uma unidade de cálculo matricial dedicada introduzida pela arquitetura NVIDIA Volta (2017) — cada Tensor Core executa uma multiplicação de matrizes 4×4 por ciclo de clock. Ele resolve um único problema: a operação central do deep learning é a multiplicação de matrizes (GEMM), e os CUDA cores genéricos fazem isso com baixa eficiência, enquanto o Tensor Core foi desenhado especificamente para essa tarefa.
A precisão suportada por cada geração de Tensor Core evoluiu: primeira geração (Volta) FP16; segunda (Turing) INT8/INT4; terceira (Ampere) BF16/TF32; quarta (Hopper) FP8; quinta (Blackwell) FP4. Cada nova geração de precisão permite encaixar mais poder de computação na mesma área de silício — esta é a razão subjacente ao crescimento explosivo da capacidade FP4 do B300.
| Item | Valores / critério |
|---|---|
| Quinta geração (Blackwell) | FP4/FP6/FP8/FP16/BF16/TF32/FP64 |
| Capacidade FP4 (B300) | Cerca de 15 PFLOPS denso / mais alto no modo esparso |
| Capacidade FP8 (H100) | 3.341 TFLOPS (esparso) |
| Contagem de gerações | Quinta geração (Blackwell) |
Os Tensor Cores de quinta geração do B300 suportam nativamente as precisões FP4 e FP6 — a inferência de grandes modelos pode ser quantizada para FP4 com perda quase nula de precisão, o que significa que a mesma área de silício acomoda 2× a capacidade de FP8. Quem compra deve ficar atento: a capacidade FP4 anunciada pela NVIDIA é em base esparso; a base densa é a metade — o throughput real de inferência depende do suporte à quantização do framework (TensorRT-LLM / vLLM etc.).