Performance Rating
NVIDIA H200 SXM 141 GB outperforms NVIDIA A800 SXM4 80 GB by 160.25% in the overall GPU ARK performance rating
NVIDIA H200 SXM 141 GB
Expert Comparison
NVIDIA H200 SXM значительно выигрывает по количеству ядер (16896 против 6912), объему памяти (141 ГБ против 80 ГБ) и пропускной способности (4.89 ТБ/с против 2.04 ТБ/с). Однако NVIDIA A800 SXM4 80 GB имеет более низкий TDP (400 Вт против 700 Вт) и более высокий GPI (25.9 против 67.4), что делает его более энергоэффективным и подходящим для задач с меньшими требованиями. H200 SXM больше подходит для тяжелых вычислений и больших данных, в то время как A800 SXM4 80 GB — для баланса производительности и энергопотребления.
Contents:
Memory ML Performance Compute Power Architecture & Compatibility ML Software Support Clocks & Performance Power Consumption Rendering Benchmarks AdditionalMemory
Memory Size
+76%
141
ГБ
Memory Type
Memory Bandwidth
+140%
4.89 TB/s
Memory Bus Width
ML Performance
FP16 (Half Precision)
+243%
267.6
TFLOPS
BF16 (Brain Float)
311.84
TFLOPS
TF32 (TensorFloat)
155.92
Compute Power
FP32 (Single Precision)
+243%
66.91
TFLOPS
FP64 (Double Precision)
+243%
33.45
TFLOPS
CUDA Cores
+144%
16,896
RT Cores
Architecture & Compatibility
GPU Architecture
SM (Streaming Multiprocessor)
+22%
132
PCIe Version
ML Software Support
CUDA Version
9.0
Clocks & Performance
Base Clock
+30%
1,500
Boost Clock
+40%
1,980
Memory Clock
Power Consumption
TDP/TGP
-43%
400 W
Recommended PSU
-27%
800 W
Power Connector
Rendering
Texture Units (TMU)
+22%
528
ROP
L2 Cache
+25%
50 MB
Benchmarks
MLPerf, llama2-70b-99.9 (UNSET)
MLPerf, llama2-70b-99.9 (fp16)
MLPerf, llama2-70b-99.9 (fp8)
MLPerf, llama3.1-405b (fp16)
MLPerf, llama3.1-405b (fp8)
MLPerf, llama3.1-8b (fp8)
MLPerf, deepseek-r1 (fp8)
MLPerf, mixtral-8x7b (fp8)
Additional
Slots
Release Date
Display Outputs
Renting is cheaper than buying
H100 80Gb SXM (80GB)
NVIDIA
Флагманская GPU на архитектуре Hopper с 80 ГБ памяти HBM3 в форм-факторе SXM. Создана для обучения и инференса больших языковых моделей, HPC задач. Поддерживает FP64, FP32, TF32, FP16, BF16, FP8 и INT8 вычисления с Tensor Cores 4-го поколения.
from 299.11 RUB/hour
