De shop is live

Wij bouwen Workstation AI-machines voor websites, AI-agents en LLM-training — configureer en koop online.

Bekijk handelsprijzen
AI-producten
AI LabsOpenAI-agentsClaude-agentsGrok-botWorkstation AI native CRMMarketingAlle producten
AI-oplossingen
Toegepaste AIAI-agentsGeneratieve AIAI-automatiseringAI-bijscholingAI-pakketten voor het mkbEnterprise AI LabAI-werkstationsNVIDIA-hardware en -softwareNVIDIA Accelerated ComputingPrivate AIGPU private cloudGPU-clustersEdge AIAI per sector
AI-diensten
PlatformmoderniseringDigitale engineeringDatafundamenten en AIAutonome operatiesAI-adviesDevOps-automatiseringCybersecuritySoftwareontwikkelingAgentontwikkelingMLOps-opzetGPU-leasingGPU private cloud
Over ons
BedrijfOns verhaalPartnersKlantverhalen
AI-datacenters
AI-datacentersGPU private cloudGPU-clustersGPU-leasing
AI-inzichtenJev-reeksBenchmarklabModelkeuze
Technische notities
Documentatie
Linux-OSUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
AI-cloudplatformsAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryGPU-clouds en -marktplaatsen
Private AI-datacentersVoor advocatenkantorenVoor accountantskantorenOn-premises platformsVolledig beveiligde cloud
ToolsRing PromoterJobshout
Nieuws
Blog
Neem contact opInloggen

AI-werkstations, AI multi-agent software, GPU-infrastructuur en intelligente agentoplossingen voor moderne bedrijven.

Neem contact op

AI-oplossingen

Toegepaste AIAI-agentsGeneratieve AIAI-automatiseringAI-bijscholingAI-pakketten voor het mkbEnterprise AI LabAI per sector

Producten

Alle productenWorkstation AI-native CRM & ERPMarketingOpenAI-agentsRing PromoterJobshout

Bedrijf

Over onsBedrijfAI-datacentersWaarom WorkstationPartnersKlantverhalenPrijzenContactTenthMatrix

Bronnen

AI-inzichtenTechnische notitiesDocumentatieLinux-OSAI-cloudplatformsPrivate AI-datacentersBlogZoekenSitemap
Kantoor België
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Ma - Vr: 9:00 - 18:00 CET
+32 492 45 67 46
Hoofdkantoor VK
77-79 Marlowes, Hemel Hempstead HP1 1LFRoute: neem afrit 20 van de M25, Outer LondonBedrijfsnummer: 11641870Ma - Vr: 9:00 - 18:00 GMT
+44 7515 356 146
Kantoor India
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Kantoor Taiwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Ma - Vr: 9:00 - 18:00 Taiwanese tijd (GMT+8)
+886 926 892 701+32 492 45 67 46
Kantoor Estland
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaMa - vr: 9:00 - 18:00 uur Estse tijd (EET)
+32 492 45 67 46

© 2026 Workstation AI. Alle rechten voorbehouden.

PrivacyGegevensverwijderingCookiesServicevoorwaardenWebsite-sitemap

NVIDIA, het NVIDIA-logo, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX en HGX zijn handelsmerken en/of gedeponeerde handelsmerken van NVIDIA Corporation in de VS en andere landen. AMD, het AMD Arrow-logo, EPYC, Instinct, Ryzen en Threadripper zijn handelsmerken van Advanced Micro Devices, Inc. Dell en PowerEdge zijn handelsmerken van Dell Inc. of haar dochterondernemingen. Intel en Xeon zijn handelsmerken van Intel Corporation of haar dochterondernemingen. AMAX, AceleMax en LiquidMax zijn handelsmerken van AMAX Engineering Corporation. Alle andere productnamen, logo's en merken zijn eigendom van hun respectieve eigenaren. Wij gebruiken ze uitsluitend om de producten aan te duiden die wij beschrijven, leveren of ondersteunen; het gebruik ervan betekent niet dat de eigenaren ons onderschrijven.

Home / Technische notities / Technology
AIHardwareKubernetesArchitecture

AMD Instinct versus NVIDIA voor AI-infrastructuur: beide evalueren, porteren en draaien (2026)

Van het interview met Lisa Su in 2024 tot Helios: de platforms van 2026 laag voor laag, Instinct-productlijnen, geheugenberekening, de vertaalkaart van CUDA naar ROCm, een porteerworkflow met commando's, Kubernetes met twee leveranciers, eerlijk benchmarken, een beslisworkflow en operaties op dag twee

14 november 2026Technology12 min read

Een praktijkgids voor teams die moeten beslissen of AMD Instinct een plek verdient in hun AI-infrastructuur, naast of in plaats van NVIDIA. De gids begint bij het interview met Lisa Su in december 2024 in The Circuit van Bloomberg en wat AMD sindsdien heeft geleverd, en behandelt daarna de platforms van 2026 laag voor laag, de productlijnen die kopers daadwerkelijk tegenkomen, de geheugenberekening die het aantal GPU's bepaalt, de vertaalkaart van CUDA naar ROCm, een porteerworkflow met commando's, beide leveranciers op één Kubernetes-platform draaien, een eerlijke benchmarkmethode, een beslisworkflow en de operationele controles voor dag twee.

Eén Kubernetes-manifest met overlays voor AMD- en NVIDIA-nodes, naast de cijfers van het Helios-rack van AMD: 72 MI455X-GPU's, 432 GB HBM4 per GPU, 2,9 exaflops FP4, 1,4 exaflops FP8, 31 TB HBM4, 260 TB/s scale-up en ROCm 10.

Samenvatting. In 2026 is AMD een geloofwaardig tweede AI-platform, geen wetenschapsproject: het Helios-rack met 72 Instinct MI455X-GPU's is in volumeproductie, vijf van de grootste AI-afnemers draaien het, en de Data Center-omzet groeide in het derde kwartaal van 2026 met 97% op jaarbasis tot $8,5 mrd. NVIDIA blijft veel groter, met het diepere software-ecosysteem. Voor kopers zijn de vragen praktisch: heeft uw model baat bij 432 GB geheugen per GPU, hangt uw code af van onderdelen die alleen op CUDA bestaan, welke leverancier levert meer tokens per pond op uw model en serving-stack, en kunt u de hardware en vaardigheden op tijd krijgen. De meeste AI-code draait met weinig wijzigingen op ROCm via PyTorch, vLLM, SGLang en Triton; eigen CUDA-kernels en TensorRT-engines vormen het echte porteerwerk. Beide leveranciers op één Kubernetes-platform draaien is eenvoudig en geeft u onderhandelingsruimte op prijs en levering.

Deze technote hoort bij ons blogbericht Knabbelen aan de voorsprong van Nvidia: het plan van Lisa Su, twee jaar later, dat het interview samenvat. Cijfers van leveranciers hieronder zijn de eigen gepubliceerde claims van AMD of NVIDIA, geen onafhankelijke benchmarks; waar het ertoe doet, zeggen wij dat erbij. Feiten zijn per 14 november 2026.

1. Van het interview tot Helios

In "AMD's CEO Wants to Chip Away at Nvidia's Lead" (Bloomberg Originals, The Circuit met Emily Chang, 6 december 2024) liet Lisa Su, toen tien jaar in functie, de Instinct MI300 zien terwijl die productie-AI-werk draaide, zoals GPT-4o op Microsoft Azure en Llama van Meta, noemde ze AI "de meest transformerende technologie" van haar carrière, en betoogde ze dat er "meer dan genoeg chips voor iedereen" waren, ook nu hyperscalers hun eigen chips ontwierpen. Chipverslaggever Ian King van Bloomberg vatte de positie van AMD samen als "een solide nummer twee". De twee jaar sindsdien hebben die positie op de proef gesteld.

Tijdlijn: december 2024 interview met MI300 in productie; juni 2025 lancering van de MI350-serie; oktober 2025 overeenkomst met OpenAI voor 6 gigawatt aan Instinct-GPU's; 2026 Helios met 72 MI455X-GPU's wordt vanaf Q3 in volume geleverd en ROCm 10 verschijnt; november 2026 Data Center-omzet in Q3 $8,5 mrd, plus 97%, met de eerste Helios-racks bij Anthropic, Meta, Microsoft, OpenAI en Oracle.

Het kwartaalbericht van AMD over het derde kwartaal van 2026 meldt een totale omzet van $13,4 mrd, een recordomzet in Data Center van $8,5 mrd (plus 97% op jaarbasis), volumeleveringen van de MI450-serie, en Anthropic, Meta, Microsoft, OpenAI en Oracle Cloud Infrastructure die workloads draaien op de eerste Helios-racks. De verwachting voor het vierde kwartaal is ongeveer $17 mrd omzet. Hetzelfde bericht noemt ROCm 10, de eerste Helios-order van HPE (voor Vultr), en de keuze van EuroHPC voor Instinct MI430X-GPU's voor de LUMI-AI-supercomputer, wat belangrijk is voor Europese kopers die naar soevereine AI-capaciteit kijken.

2. De platforms van 2026, laag voor laag

Vergelijking per laag: Helios op Open Rack Wide tegenover Vera Rubin NVL72; MI455X met 432 GB HBM4 tegenover Rubin met 288 GB HBM4; UALink over Ethernet tegenover NVLink; Pensando AI NICs en Ultra Ethernet tegenover ConnectX, Spectrum-X of InfiniBand; EPYC Venice tegenover Vera; ROCm tegenover CUDA; AMD GPU Operator tegenover NVIDIA GPU Operator; frameworks gedeeld.

AMD Helios (gepubliceerde cijfers van AMD)Waarde
GPU's per rack (één scale-updomein)72 × Instinct MI455X (CDNA 5)
Geheugen per GPU432 GB HBM4, tot 23,3 TB/s
Rekenkracht per GPUtot 40 PF FP4
Rekenkracht per rack2,9 EF FP4, 1,4 EF FP8
Geheugen per rack31 TB HBM4, ongeveer 1,7 PB/s totaal
Scale-up- / scale-outbandbreedte260 TB/s (UALink over Ethernet) / 43 TB/s (3 × 800G NIC's per GPU)
Host-CPU6e generatie EPYC "Venice" (9006-serie)
RackstandaardOpen Rack Wide, door Meta bijgedragen aan het Open Compute Project

AMD positioneert Helios rechtstreeks tegenover de Vera Rubin NVL72 van NVIDIA en claimt ongeveer 15% meer AI-rekenkracht, 50% meer geheugen, 50% meer scale-outbandbreedte en tot 30% meer tokens per dollar. Dat zijn claims van de leverancier, door de leverancier gemeten; zie ze als reden om te benchmarken, niet als resultaat. Het geheugenverschil is het meest structureel: 432 GB per MI455X tegenover 288 GB per Rubin-GPU verandert hoeveel GPU's een groot model nodig heeft (sectie 4).

3. De Instinct-productlijnen die u tegenkomt

ProductGeheugenWaar het past
MI300X192 GB HBM3De generatie van 2024 uit het interview; nog steeds gangbaar in clouds en op de tweedehandsmarkt
MI325X256 GB HBM3EMI300-platform met meer geheugen, servers met acht GPU's
MI350X / MI355X288 GB HBM3EGeneratie van 2025; servers met acht GPU's, lucht- of vloeistofgekoeld; de vergelijkingsbasis voor de MI455X
MI430Xzie AMDHPC- en soevereine AI-systemen; gekozen voor LUMI-AI van EuroHPC
MI450X / MI455X432 GB HBM4Helios-systemen op rackschaal; frontier-training en inferentie op grote schaal
MI350Pzie AMDGebruikt in de Helion-referentiearchitectuur van AMD voor agentic systemen en in het Threadripper Halo Station-workstation

De meeste Britse organisaties zullen Instinct tegenkomen als servers met acht GPU's van Dell, HPE, Lenovo of Supermicro, of als cloudinstances, in plaats van als volledige Helios-racks. Helios is voor hen indirect belangrijk: het maakt ROCm tot een volwaardig doelplatform voor de model- en frameworkontwikkelaars van wie zij afhankelijk zijn.

4. Geheugenberekening: waarom 432 GB het aantal GPU's verandert

Twee getallen bepalen hoeveel GPU's één kopie van een model nodig heeft: de gewichten, en de key-value-cache (KV-cache) die groeit met de contextlengte en het aantal gelijktijdige gebruikers.

weights (GB)        ≈ parameters (billions) × bytes per parameter
                       FP16/BF16 = 2, FP8 = 1, FP4 = 0.5
KV cache per token  = 2 × layers × kv_heads × head_dim × bytes per value

# Example: a 70B model with 80 layers, 8 KV heads, head_dim 128, FP16 KV cache
KV per token        = 2 × 80 × 8 × 128 × 2 bytes = 327,680 bytes ≈ 0.31 MiB
KV per 32k sequence ≈ 10 GiB      KV per 128k sequence ≈ 40 GiB
Illustratief: 70B-model, FP8-gewichten (~70 GB), FP16-KV, 10% margeGPU van 288 GBGPU van 432 GB
Geheugen over voor de KV-cache~189 GB~319 GB
Gelijktijdige sequenties van 32k tokens per GPU~18~30
Gelijktijdige sequenties van 128k tokens per GPU~4~7
Model van ~400B parameters in FP8 (~400 GB gewichten)heeft 2+ GPU's nodigpast op 1, met weinig ruimte voor KV

Minder GPU's per modelkopie betekent minder tensor parallelism, minder verkeer tussen GPU's en meer onafhankelijke replica's uit hetzelfde rack. Of dat meer tokens per pond oplevert, hangt ook af van rekenkracht, interconnect en software-efficiëntie, en daarom is de benchmark in sectie 8 de beslissende stap. Onze pagina over private GPU-clouds heeft een VRAM-calculator die dezelfde berekening uitvoert.

5. De softwarekaart: van CUDA naar ROCm

DoelNVIDIAAMD ROCm
ProgrammeermodelCUDAHIP (C++ in CUDA-stijl; compileert ook voor NVIDIA)
Dichte lineaire algebracuBLAS, cuBLASLthipBLAS, rocBLAS, hipBLASLt
Deep-learningprimitievencuDNNMIOpen
KerneltemplatesCUTLASSComposable Kernel
Collectives over meerdere GPU'sNCCLRCCL (NCCL-compatibele API)
InferentiecompilerTensorRT, TensorRT-LLMMIGraphX; de meeste LLM-serving gebruikt in plaats daarvan vLLM of SGLang
Devicebeheernvidia-smiamd-smi
ProfilingNsight Systems / Computerocprofv3, ROCm Systems en Compute Profilers
Overdraagbare kernelsTriton (OpenAI), op beide ondersteund
Frameworks en servingPyTorch, JAX, vLLM, SGLang, Hugging Face: gepubliceerde builds voor beide

De praktische regel: als uw code op frameworkniveau blijft, is de overstap naar ROCm vooral een kwestie van de ROCm-build installeren. Het werk concentreert zich op drie plekken: eigen CUDA-kernels en C++-extensies, TensorRT-engines, en bibliotheken die alleen CUDA-binaries leveren.

6. Porteerworkflow

Zes stappen: CUDA-afhankelijkheden inventariseren; ROCm-builds van PyTorch, vLLM of SGLang gebruiken; eigen kernels porteren met Triton of HIPIFY; numerieke resultaten valideren tegen de CUDA-baseline; tunen met profiling en meer geheugen per GPU; een CI-matrix op beide leveranciers aanhouden met één manifest en twee overlays.

6.1 Controleer de node en het framework

# GPUs visible to the driver, and their architecture (gfx target)
amd-smi list
rocminfo | grep -m1 -i "gfx"

# PyTorch on ROCm keeps the torch.cuda API, so most code is unchanged
python -c "import torch; print(torch.version.hip, torch.cuda.is_available(), torch.cuda.get_device_name(0))"

6.2 Serveer een model in een ROCm-container

# AMD publishes ROCm images for PyTorch and vLLM; pick a tag matching your ROCm version
docker run --rm -it --ipc=host \
  --device=/dev/kfd --device=/dev/dri --group-add video \
  --security-opt seccomp=unconfined \
  -p 8000:8000 -v ~/.cache/huggingface:/root/.cache/huggingface \
  rocm/vllm:<tag> \
  vllm serve <model> --tensor-parallel-size 2

Het OpenAI-compatibele endpoint is identiek aan het endpoint dat vLLM op NVIDIA aanbiedt, dus clients, gateways en tests veranderen niet.

6.3 Eigen kernels

# Mechanical CUDA → HIP translation, then build with the ROCm compiler
hipify-perl my_kernel.cu > my_kernel.hip.cpp      # or hipify-clang for a full parse
hipcc -O3 --offload-arch=<gfx-target> -o my_kernel my_kernel.hip.cpp

Vertalen is het makkelijke deel. Aannames over warpgrootte (de CDNA-wavefronts van AMD zijn 64 lanes breed, NVIDIA-warps 32), met de hand getunede shared-memorylay-outs en inline PTX vereisen handmatige review. Waar een kernel toch al wordt herschreven, schrijft u hem één keer in Triton en draait u hem op beide leveranciers.

6.4 Valideer voordat u tunet

Draai een vaste evaluatieset met dezelfde gewichten en precisie op beide leveranciers. Vergelijk taakscores (en, voor kernels, logits of uitvoer binnen een vastgelegde tolerantie). Verschillende hardware geeft licht verschillende floating-pointresultaten; waar het om gaat, is dat de modelkwaliteit op uw taken onveranderd blijft. Tune pas daarna batchgroottes, parallellisme en servingparameters.

7. Eén Kubernetes-platform, twee leveranciers

Beide leveranciers stellen GPU's beschikbaar aan Kubernetes via een operator en een device plugin: nvidia.com/gpu op NVIDIA-nodes en amd.com/gpu op AMD-nodes, waarbij de GPU Operator van AMD de drivercomponenten, device plugin, node labeller en een metrics-exporter voor Prometheus installeert. Installeer hem met de Helm-chart van AMD volgens de actuele documentatie van de ROCm GPU Operator.

Houd één manifest per workload aan en een kleine overlay per leverancier die alleen de imagebuild (ROCm of CUDA) en de GPU-resource wijzigt. Met Kustomize:

# overlays/amd/kustomization.yaml (Workstation example)
resources: ["../../base"]
images:
  - name: inference-server
    newName: registry.example.com/inference-server
    newTag: 2026.11-rocm
patches:
  - target: {kind: Deployment, name: inference-server}
    patch: |-
      - op: replace
        path: /spec/template/spec/containers/0/resources/limits
        value: {"amd.com/gpu": 8}
      - op: add
        path: /spec/template/spec/nodeSelector
        value: {"gpu-vendor": "amd"}

Label en taint elke nodepool op leverancier en generatie (bijvoorbeeld gpu-vendor=amd, gpu-model=mi355x) zodat schedulers en kostenrapportages ze kunnen onderscheiden, en draai bij elke wijziging dezelfde CI-tests tegen beide overlays.

8. Eerlijk benchmarken

  • Hetzelfde model, dezelfde precisie, dezelfde serving-engine en -versie op beide leveranciers, met de door elke leverancier aanbevolen build en instellingen.
  • Meet bij uw latentiedoel, niet bij piekdoorvoer: time to first token en inter-token latency bij het p95 dat uw gebruikers nodig hebben, en daarna de doorvoer op dat punt. vllm bench serve belast een OpenAI-compatibel endpoint met realistische mixen van verzoeken.
  • Gebruik uw eigen verkeerspatroon: prompt- en uitvoerlengtes, gelijktijdigheid en het aandeel verzoeken met lange context.
  • Reken om naar tokens per pond: hardware- of huurkosten per uur, plus stroom tegen uw tarief, gedeeld door tokens per uur bij het latentiedoel.
  • Leg de nauwkeurigheid vast op uw evaluatieset, naast de snelheid.
  • Controleer met onafhankelijke resultaten zoals MLPerf Inference, waar beide leveranciers vergelijkbare systemen inzenden.

9. Beslis per workload

Vier vragen op volgorde: past het model op minder GPU's met meer geheugen; is er code die alleen op CUDA draait en die u niet snel kunt porteren; welke leverancier wint op tokens per pond voor uw model en stack; kunt u hardware, ondersteuning en vaardigheden op tijd krijgen. Gangbare uitkomst: beide leveranciers op één Kubernetes-platform.

WorkloadNeigt naar AMD wanneerNeigt naar NVIDIA wanneer
LLM-inferentie, grote modellen of lange contextHet geheugen per GPU het aantal GPU's per replica verlaagt; serving met vLLM of SGLangU afhankelijk bent van TensorRT-LLM of NVIDIA NIM-microservices
Training en finetuning in PyTorchStandaard PyTorch, FSDP of DeepSpeed; geen eigen CUDAVeel eigen kernels, Megatron-specifieke CUDA-paden, krappe deadlines
Vision, spraak en klassieke MLCode op frameworkniveau, kostengevoelige inferentieBibliotheken met alleen CUDA-binaries (sommige video- en 3D-pipelines)
HPC en simulatieFP64-intensieve code die al naar HIP is geporteerd; soevereine HPC-programma'sCommerciële solvers die alleen op CUDA draaien

10. Operaties op dag twee

  • Pin versies samen vast: driver, ROCm-release, frameworkbuild en containertag vormen één geteste set, precies zoals bij CUDA. Upgrade ze als set, achter de golden-settests.
  • Monitoren: amd-smi toont bezetting, geheugen, vermogen, temperatuur en fouttellers; de device metrics exporter van AMD publiceert ze naar Prometheus naast de DCGM-metrics van NVIDIA-nodes. Normaliseer labelnamen zodat één dashboard beide afdekt.
  • Gezondheid en RAS: alarmeer op ECC- en RAS-fouttellingen, thermische throttling en links die in snelheid terugvallen, en drain nodes automatisch bij herhaalde fouten.
  • Vaardigheden: train ten minste twee engineers in ROCm-tooling vóór productie; de meeste problemen zijn versieconflicten, die snel zijn opgelost zodra iemand weet waar te kijken.
  • Levering: houd beide leveranciers gekwalificeerd, zodat een levertijdprobleem bij de een geen project stillegt.

11. Risico's om eerlijk af te wegen

  • Diepte van het ecosysteem: CUDA heeft nog steeds meer bibliotheken, voorbeelden en mensen. Controleer elke afhankelijkheid, niet alleen het framework.
  • Claims van leveranciers: beide bedrijven publiceren gunstige vergelijkingen. Onafhankelijke en eigen metingen beslissen.
  • Concentratie: beide leveranciers zijn afhankelijk van dezelfde geavanceerde productie in Taiwan, een punt dat Su zelf in het interview aanstipte toen ze over de veerkracht van de toeleveringsketen sprak. Twee leveranciers verkleinen het productrisico, niet het geografische risico.
  • Marktmomentum snijdt aan twee kanten: de grote klantcommitments van AMD maken investeringen in ROCm duurzaam, maar concurreren ook met kleinere kopers om vroege levering.

12. Hoe Workstation kan helpen

Wij ontwerpen en beheren GPU-infrastructuur in het Verenigd Koninkrijk en helpen teams AMD naast NVIDIA te evalueren. Voor teams die Instinct overwegen, kunnen wij een gelijkwaardige benchmark van uw model op beide leveranciers uitvoeren, uw code beoordelen op CUDA-afhankelijkheden, een Kubernetes-platform voor twee leveranciers met gedeelde monitoring inrichten, en servers, stroom en koeling dimensioneren. Begin met onze gids over private GPU-clouds, vergelijk leasen en kopen op gpuleasing.co.uk, of neem contact met ons op.

Bronnen

  • Bloomberg Originals, "AMD's CEO Wants to Chip Away at Nvidia's Lead | The Circuit with Emily Chang", 6 december 2024. Citaten komen uit de gepubliceerde video.
  • AMD, "AMD Reports Third Quarter 2026 Financial Results", 3 november 2026 (omzet, groei Data Center, Helios-klanten, ROCm 10, LUMI-AI, vooruitzichten Q4).
  • AMD, productpagina's van de Helios-oplossing op rackschaal en de Instinct MI400-serie, en "AMD Launches Helios" (2026): rack- en GPU-specificaties en de vergelijking van AMD met Vera Rubin NVL72.
  • Overeenkomst tussen AMD en OpenAI voor 6 gigawatt aan Instinct-GPU's, aangekondigd op 6 oktober 2025.
  • De geheugenberekening en porteercommando's zijn voorbeelden van Workstation; controleer modelconfiguraties en de actuele ROCm-documentatie voordat u erop vertrouwt.

Erkenning van rechten: AMD, het AMD Arrow-logo, Instinct, EPYC, Ryzen, Threadripper, CDNA, ROCm, Pensando, Helios en combinaties daarvan zijn handelsmerken van Advanced Micro Devices, Inc. NVIDIA, CUDA, NVLink, TensorRT, Spectrum-X, ConnectX en Vera Rubin zijn handelsmerken van NVIDIA Corporation. Bloomberg is een handelsmerk van Bloomberg Finance L.P. Andere namen zijn eigendom van hun respectieve eigenaren. Dit artikel is onafhankelijk en wordt door geen van deze bedrijven onderschreven.

Deel dit artikel

Meer in Technology

AI-developerlaptops: LLM's lokaal draaien onder Linux met GPU's van 16 GB en 24 GB (gids 2026)

AI-developerlaptops: LLM's lokaal draaien onder Linux met GPU's van 16 GB en 24 GB (gids 2026)

Wat er past op een RTX 5080 of RTX 5090 Laptop GPU, de geheugenberekening, de open modellen die de moeite waard zijn, Ubuntu 26.04 inrichten met de NVIDIA-stack, Ollama, llama.cpp en vLLM, codeerassistenten, LoRA-fine-tuning, beveiliging, en wanneer werk naar een server moet

Lees meer
ML- en LLM-systemen testen die u niet correct kunt bewijzen: een Python-kit voor bewijsmateriaal

ML- en LLM-systemen testen die u niet correct kunt bewijzen: een Python-kit voor bewijsmateriaal

Bewijsmateriaal in plaats van bewijzen, in ongeveer 400 regels Python met echte output: slice-metrics met bootstrap-intervallen en een pass/fail-contract, property- en metamorfe tests met Hypothesis, kalibratie en conformal prediction, Pydantic-contracten en regressie-evals voor LLM-output, driftcontroles, een CI-gate en exacte verificatie van een klein neuraal netwerk

Lees meer
TorchCurves in de praktijk: leerbare B-spline- en Legendre-curves in PyTorch

TorchCurves in de praktijk: leerbare B-spline- en Legendre-curves in PyTorch

torchcurves installeren, een curve fitten en dimensioneren, kiezen tussen B-spline en Legendre en de input map, een monotone kalibratiecurve en een additief model op tabeldata bouwen, vergelijken met SciPy, scikit-learn, een KAN en een MLP, coëfficiënten naar JSON exporteren, testen en in productie draaien, met echte output

Lees meer