4 月, 推出了一款新产品 RTX A4000 ADA,这是一款专为工作站应用程序设计的小型 GPU。该处理器取代了A2000,可用于复杂的任务,包括科学研究、工程计算和数据可视化。 Nvidia RTX A4000 ADA 具有 6,144 个 CUDA 核心、192 个 Tensor 和 48 个 RT 核心以及 20GB GDDR6 ECC VRAM。新型 GPU 的主要优势之一是其功效:RTX A4000 ADA 功耗仅为 70W,从而降低了功耗成本和系统热量。得益于 4x Mini-DisplayPort 1.4a 连接,GPU 还允许您驱动多个显示器。 将 RTX 4000 SFF ADA GPU 与同类其他设备进行比较时,需要注意的是,在单精度模式下运行时,它表现出与最新一代 RTX A4000 GPU 相似的性能,后者的功耗是其两倍(140W vs. 70W)。 ADA RTX 4000 SFF 基于 ADA Lovelace 架构和 5 纳米工艺技术构建。这使得下一代 Tensor Core 和光线追踪核心成为可能,通过提供比 RTX A4000 更快、更高效的光线追踪和 Tensor 核心,显着提高性能。此外,ADA 的 RTX 4000 SFF 采用小型封装 - 该卡长 168 毫米,厚度相当于两个扩展槽。 改进的光线追踪内核可在使用该技术的环境(例如 3D 设计和渲染)中实现高效性能。此外,新GPU的20GB内存容量使其能够处理大型环境。 据制造商介绍,第四代 Tensor 核心可提供极高的 AI 计算性能,比上一代性能提高了一倍。新的 Tensor 核心支持 FP8 加速。这一创新功能可能非常适合那些在基因组学和 等环境中开发和部署人工智能模型的人。 计算机视觉 还值得注意的是,编码和解码机制的增加使 RTX 4000 SFF ADA 成为视频等多媒体工作负载的良好解决方案。 NVIDIA RTX A4000 和 RTX A5000 显卡、RTX 3090 的技术规格 RTX A4000 ADA NVIDIA RTX A4000 NVIDIA RTX A5000 RTX 3090 建筑学 艾达·洛夫莱斯 安培 安培 安培 技术流程 5纳米 8纳米 8纳米 8纳米 图形处理器 AD104 GA102 GA104 GA102 晶体管数量(百万) 35,800 17,400 28,300 28,300 内存带宽(Gb/秒) 280.0 第448章 第768章 936.2 显存容量(位) 160 256 第384章 第384章 GPU内存(GB) 20 16 24 24 内存类型 GDDR6 GDDR6 GDDR6 GDDR6X CUDA 核心 6,144 6 144 8192 10496 张量核心 192 192 256 328 RT 核心 48 48 64 82 SP 性能(万亿次浮点运算) 19.2 19,2 27,8 35,6 RT 核心性能(万亿次浮点运算) 44.3 37,4 54,2 69,5 张量性能(万亿次浮点运算) 306.8 153,4 222,2 第285章 最大功率(瓦) 70 140 230 350 界面 PCIe 4.0×16 PCI-E 4.0 x16 PCI-E 4.0 x16 PCIe 4.0 x16 连接器 4 个迷你 DisplayPort 1.4a DP 1.4 (4) DP 1.4 (4) DP 1.4 (4) 构成因素 2 个插槽 1 个插槽 2 个插槽 2-3个插槽 vGPU软件 不 不 是的,无限制 是的。有限制 NVlink 不 不 2 个 RTX A5000 是的 CUDA支持 11.6 8.6 8.6 8.6 VULKAN 支持 1.3 是的 是的 是的,1.2 价格(美元) 1,250 人 1000 2500 1400 测试环境描述 RTX A4000 ADA RTX A4000 中央处理器 AMD 锐龙 9 5950X 3.4GHz(16 核) 八核英特尔至强 E-2288G,3.5 GHz 内存 4 个 32 Gb DDR4 ECC SO-DIMM 2 个 32 GB DDR4-3200 ECC DDR4 SDRAM 1600 MHz 驾驶 1Tb NVMe 固态硬盘 三星 SSD 980 PRO 1TB 母板 华擎 X570D4I-2T 华硕P11C-I系列 操作系统 微软Windows 10 微软Windows 10 检测结果 V-Ray 5 基准测试 V-Ray GPU CUDA 和 RTX 测试测量相对 GPU 渲染性能。 RTX A4000 GPU 略落后于 RTX A4000 ADA(分别为 4% 和 11%)。 机器学习 《狗与猫》 为了比较神经网络 GPU 的性能,我们使用了“狗与猫”数据集 - 该测试分析照片的内容并区分照片显示的是猫还是狗。可以找到所有必要的原始数据 。我们在不同的 GPU 和云服务上运行此测试,得到以下结果: 这里 在本次测试中,RTX A4000 ADA 的性能略胜 RTX A4000 9%,但请记住新 GPU 的小尺寸和低功耗。 人工智能基准测试 AI-Benchmark 允许您在 AI 模型输出任务期间测量设备的性能。测量单位可能会根据测试的不同而有所不同,但通常是每秒操作数(OPS)或每秒帧数(FPS)。 RTX A4000 RTX A4000 ADA 1/19。移动网络-V2 1.1——推论|批次 = 50,大小 = 224x224:38.5 ± 2.4 ms1.2 — 训练 |批次 = 50,大小 = 224x224:109 ± 4 毫秒 1.1——推论|批次 = 50,大小 = 224x224:53.5 ± 0.7 ms1.2 — 训练 |批次 = 50,大小 = 224x224:130.1 ± 0.6 毫秒 2/19。盗梦空间-V3 2.1 — 推理 |批次 = 20,大小 = 346x346:36.1 ± 1.8 ms2.2 — 训练 |批次 = 20,大小 = 346x346:137.4 ± 0.6 毫秒 2.1 — 推理 |批次 = 20,大小 = 346x346:36.8 ± 1.1 ms2.2 — 训练 |批次=20,大小=346x346:147.5 ± 0.8 毫秒 3/19。盗梦空间-V4 3.1——推理|批次 = 10,大小 = 346x346:34.0 ± 0.9 ms3.2 — 训练 |批次=10,大小=346x346:139.4 ± 1.0 毫秒 3.1——推理|批次 = 10,大小 = 346x346:33.0 ± 0.8 ms3.2 — 训练 |批次=10,大小=346x346:135.7 ± 0.9 毫秒 4/19。 Inception-ResNet-V2 4.1 — 推理 |批次 = 10,大小 = 346x346:45.7 ± 0.6 ms4.2 — 训练 |批次=8,大小=346x346:153.4 ± 0.8 毫秒 4.1 — 推理批次=10,大小=346x346:33.6 ± 0.7 ms4.2 — 训练批次=8,大小=346x346:132 ± 1 ms 5/19。 ResNet-V2-50 5.1 — 推理 |批次 = 10,大小 = 346x346:25.3 ± 0.5 ms5.2 — 训练 |批次 = 10,大小 = 346x346:91.1 ± 0.8 毫秒 5.1 — 推理 |批次 = 10,大小 = 346x346:26.1 ± 0.5 ms5.2 — 训练 |批次 = 10,大小 = 346x346:92.3 ± 0.6 毫秒 6/19。 ResNet-V2-152 6.1 — 推理 |批次 = 10,大小 = 256x256:32.4 ± 0.5 ms6.2 — 训练 |批次=10,大小=256x256:131.4 ± 0.7 毫秒 6.1 — 推理 |批次 = 10,大小 = 256x256:23.7 ± 0.6 ms6.2 — 训练 |批次=10,大小=256x256:107.1 ± 0.9 毫秒 7/19。 VGG-16 7.1 — 推理 |批次 = 20,大小 = 224x224:54.9 ± 0.9 ms7.2 — 训练 |批次=2,大小=224x224:83.6 ± 0.7 毫秒 7.1 — 推理 |批次 = 20,大小 = 224x224:66.3 ± 0.9 ms7.2 — 训练 |批次=2,大小=224x224:109.3 ± 0.8 毫秒 8/19。 SRCNN 9-5-5 8.1 — 推理 |批次 = 10,大小 = 512x512:51.5 ± 0.9 ms8.2 — 推理 |批次 = 1,大小 = 1536x1536:45.7 ± 0.9 ms8.3 — 训练 |批次=10,大小=512x512:183 ± 1 毫秒 8.1 — 推理 |批次 = 10,大小 = 512x512:59.9 ± 1.6 ms8.2 — 推理 |批次 = 1,大小 = 1536x1536:53.1 ± 0.7 ms8.3 — 训练 |批次=10,大小=512x512:176 ± 2 毫秒 9/19。 VGG-19 超高清 9.1 — 推理 |批次 = 10,大小 = 256x256:99.5 ± 0.8 ms9.2 — 推理 |批次 = 1,大小 = 1024x1024:162 ± 1 ms9.3 — 训练 |批次 = 10,大小 = 224x224:204 ± 2 毫秒 10/19。 ResNet-SRGAN 10.1 — 推论 |批次 = 10,大小 = 512x512:85.8 ± 0.6 ms10.2 — 推理 |批次 = 1,大小 = 1536x1536:82.4 ± 1.9 ms10.3 — 训练 |批次 = 5,大小 = 512x512:133 ± 1 毫秒 10.1 — 推论 |批次 = 10,大小 = 512x512:98.9 ± 0.8 ms10.2 — 推理 |批次 = 1,大小 = 1536x1536:86.1 ± 0.6 ms10.3 — 训练 |批次 = 5,大小 = 512x512:130.9 ± 0.6 毫秒 11/19。 ResNet-DPED 11.1 — 推论 |批次 = 10,大小 = 256x256:114.9 ± 0.6 ms11.2 — 推理 |批次 = 1,大小 = 1024x1024:182 ± 2 ms11.3 — 训练 |批次=15,大小=128x128:178.1 ± 0.8 毫秒 11.1 — 推论 |批次 = 10,大小 = 256x256:146.4 ± 0.5 ms11.2 — 推理 |批次 = 1,大小 = 1024x1024:234.3 ± 0.5 ms11.3 — 训练 |批次=15,大小=128x128:234.7 ± 0.6 毫秒 12/19。优网 12.1 — 推论 |批次 = 4,大小 = 512x512:180.8 ± 0.7 ms12.2 — 推理 |批次=1,大小=1024x1024:177.0 ± 0.4 ms12.3 — 训练 |批次=4,大小=256x256:198.6 ± 0.5 毫秒 12.1 — 推论 |批次 = 4,大小 = 512x512:222.9 ± 0.5 ms12.2 — 推理 |批次 = 1,大小 = 1024x1024:220.4 ± 0.6 ms12.3 — 训练 |批次 = 4,大小 = 256x256:229.1 ± 0.7 毫秒 13/19。 Nvidia-SPADE 13.1 — 推论 |批次 = 5,大小 = 128x128:54.5 ± 0.5 ms13.2 — 训练 |批次=1,大小=128x128:103.6 ± 0.6 毫秒 13.1 — 推论 |批次 = 5,大小 = 128x128:59.6 ± 0.6 ms13.2 — 训练 |批次=1,大小=128x128:94.6 ± 0.6 毫秒 14/19。集成电路网 14.1 — 推论 |批次 = 5,大小 = 1024x1536:126.3 ± 0.8 ms14.2 — 训练 |批次 = 10,大小 = 1024x1536:426 ± 9 毫秒 14.1 — 推论 |批次 = 5,大小 = 1024x1536:144 ± 4 ms14.2 — 训练 |批次 = 10,大小 = 1024x1536:475 ± 17 毫秒 15/19。 PSP网络 15.1 — 推论 |批次 = 5,大小 = 720x720:249 ± 12 ms15.2 — 训练 |批次=1,大小=512x512:104.6 ± 0.6 毫秒 15.1 — 推论 |批次 = 5,大小 = 720x720:291.4 ± 0.5 ms15.2 — 训练 |批次=1,大小=512x512:99.8 ± 0.9 毫秒 16/19。深度实验室 16.1 — 推论 |批次 = 2,大小 = 512x512:71.7 ± 0.6 ms16.2 — 训练 |批次=1,大小=384x384:84.9 ± 0.5 毫秒 16.1 — 推论 |批次 = 2,大小 = 512x512:71.5 ± 0.7 ms16.2 — 训练 |批次=1,大小=384x384:69.4 ± 0.6 毫秒 17/19。像素RNN 17.1 — 推论 |批次 = 50,大小 = 64x64:299 ± 14 ms17.2 — 训练 |批次=10,大小=64x64:1258 ± 64 毫秒 17.1 — 推论 |批次 = 50,大小 = 64x64:321 ± 30 ms17.2 — 训练 |批次=10,大小=64x64:1278 ± 74 毫秒 18/19。 LSTM-情感 18.1 — 推论 |批次=100,大小=1024x300:395 ± 11 ms18.2 — 训练 |批次=10,大小=1024x300:676 ± 15 毫秒 18.1 — 推论 |批次=100,大小=1024x300:345 ± 10 ms18.2 — 训练 |批次=10,大小=1024x300:774 ± 17 毫秒 19/19。 GNMT-翻译 19.1 — 推论 |批次=1,大小=1x20:119 ± 2 毫秒 19.1 — 推论 |批次=1,大小=1x20:156 ± 1 毫秒 该测试结果表明,RTX A4000 的性能比 RTX A4000 ADA 高出 6%,但需要注意的是,测试结果可能会根据具体任务和所采用的操作条件而有所不同。 火炬 RTX A 4000 标杆管理 模型平均训练时间(毫秒) 训练双精度类型mnasnet0_5 62.995805740356445 训练双精度类型mnasnet0_75 98.39066505432129 训练双精度类型mnasnet1_0 126.60405158996582 训练双精度类型mnasnet1_3 186.89460277557373 训练双精度类型resnet18 428.08079719543457 训练双精度类型resnet34 883.5790348052979 训练双精度类型resnet50 1016.3950300216675 训练双精度类型resnet101 1927.2308254241943 训练双精度类型resnet152 2815.663013458252 训练双精度类型resnext50_32x4d 1075.4373741149902 训练双精度类型resnext101_32x8d 4050.0641918182373 训练双精度类型wide_resnet50_2 2615.9953451156616 训练双精度类型wide_resnet101_2 5218.524832725525 训练双精度类型densenet121 751.9759511947632 训练双精度类型densenet169 910.3225564956665 训练双精度类型densenet201 1163.036551475525 训练双精度类型densenet161 2141.505298614502 训练双精度类型squeezenet1_0 203.14435005187988 训练双精度类型squeezenet1_1 98.04857730865479 训练双精度类型vgg11 1697.710485458374 训练双精度类型vgg11_bn 1729.2972660064697 训练双精度类型vgg13 2491.615080833435 训练双精度类型vgg13_bn 2545.1631927490234 训练双精度类型vgg16 3371.1953449249268 训练双精度类型vgg16_bn 3423.8639068603516 训练双精度类型vgg19_bn 4314.5153522491455 训练双精度类型vgg19 4249.422650337219 训练双精度类型mobilenet_v3_large 105.54619789123535 训练双精度类型mobilenet_v3_small 37.6680850982666 训练双精度类型 shufflenet_v2_x0_5 26.51611328125 训练双精度类型shufflenet_v2_x1_0 61.260504722595215 训练双精度类型 shufflenet_v2_x1_5 105.30067920684814 训练双精度类型shufflenet_v2_x2_0 181.03694438934326 推理双精度类型 mnasnet0_5 17.397074699401855 推理双精度类型 mnasnet0_75 28.902697563171387 推理双精度类型 mnasnet1_0 38.387718200683594 推理双精度类型 mnasnet1_3 58.228821754455566 推理双精度类型resnet18 147.95727252960205 推理双精度类型resnet34 293.519492149353 推理双精度类型resnet50 336.44991874694824 推理双精度类型resnet101 637.9982376098633 推理双精度类型resnet152 948.9351654052734 推理双精度类型 resnext50_32x4d 372.80876636505127 推理双精度类型 resnext101_32x8d 1385.1624917984009 推理双精度类型wide_resnet50_2 873.048791885376 推理双精度类型wide_resnet101_2 1729.2765426635742 推理双精度类型densenet121 270.13323307037354 推理双精度类型densenet169 327.1932888031006 推理双精度型densenet201 414.733362197876 推理双精度类型densenet161 766.3542318344116 推理双精度类型squeezenet1_0 74.86292839050293 推理双精度类型squeezenet1_1 34.04905319213867 推理双精度类型 vgg11 576.3767147064209 推理双精度类型 vgg11_bn 580.5839586257935 推理双精度类型 vgg13 853.4365510940552 推理双精度类型 vgg13_bn 860.3136301040649 推理双精度类型 vgg16 1145.091052055359 推理双精度类型 vgg16_bn 1152.8028392791748 推理双精度类型 vgg19_bn 1444.9562692642212 推理双精度类型 vgg19 1437.0987701416016 推理双精度类型 mobilenet_v3_large 30.876317024230957 推理双精度类型 mobilenet_v3_small 11.234536170959473 推理双精度类型 shufflenet_v2_x0_5 7.425284385681152 推理双精度类型 shufflenet_v2_x1_0 18.25782299041748 推理双精度类型 shufflenet_v2_x1_5 33.34946632385254 推理双精度类型 shufflenet_v2_x2_0 57.84676551818848 RTX A4000 ADA 标杆管理 模型平均列车时间 训练半精度类型mnasnet0_5 20.266618728637695 训练半精度类型mnasnet0_75 21.445374488830566 训练半精度类型mnasnet1_0 26.714019775390625 训练半精度类型mnasnet1_3 26.5126371383667 训练半精度类型resnet18 19.624991416931152 训练半精度类型resnet34 32.46446132659912 训练半精度型resnet50 57.17473030090332 训练半精度型resnet101 98.20127010345459 训练半精度类型resnet152 138.18389415740967 训练半精度类型resnext50_32x4d 75.56005001068115 训练半精度类型resnext101_32x8d 228.8706636428833 训练半精度类型wide_resnet50_2 113.76442432403564 训练半精度类型wide_resnet101_2 204.17311191558838 训练半精度类型densenet121 68.97401332855225 训练半精度类型densenet169 85.16453742980957 训练半精度型densenet201 103.299241065979 训练半精度类型densenet161 137.54578113555908 训练半精度类型squeezenet1_0 16.71830177307129 训练半精度类型squeezenet1_1 12.906527519226074 训练半精度类型vgg11 51.7004919052124 训练半精度类型vgg11_bn 57.63327598571777 训练半精度类型vgg13 86.10869407653809 训练半精度类型vgg13_bn 95.86676120758057 训练半精度类型vgg16 102.91589260101318 训练半精度类型vgg16_bn 113.74778270721436 训练半精度类型vgg19_bn 131.56734943389893 训练半精度类型vgg19 119.70191955566406 训练半精度类型mobilenet_v3_large 31.30636692047119 训练半精度类型mobilenet_v3_small 19.44464683532715 训练半精度类型shufflenet_v2_x0_5 13.710575103759766 训练半精度类型shufflenet_v2_x1_0 23.608479499816895 训练半精度类型shufflenet_v2_x1_5 26.793746948242188 训练半精度类型shufflenet_v2_x2_0 24.550962448120117 推理半精度类型 mnasnet0_5 4.418272972106934 推理半精度类型 mnasnet0_75 4.021778106689453 推理半精度类型 mnasnet1_0 4.42598819732666 推理半精度类型 mnasnet1_3 4.618926048278809 推理半精度类型resnet18 5.803341865539551 推理半精度类型resnet34 9.756693840026855 推理半精度型resnet50 15.873079299926758 推理半精度型resnet101 28.268003463745117 推理半精度类型resnet152 40.04594326019287 推理半精度类型 resnext50_32x4d 19.53421115875244 推理半精度类型 resnext101_32x8d 62.44826316833496 推理半精度类型wide_resnet50_2 33.533992767333984 推理半精度类型wide_resnet101_2 59.60897445678711 推理半精度类型densenet121 18.052735328674316 推理半精度类型densenet169 21.956982612609863 推理半精度型densenet201 27.85182476043701 推理半精度类型densenet161 37.41891860961914 推理半精度类型squeezenet1_0 4.391803741455078 推理半精度类型squeezenet1_1 2.4281740188598633 推理半精度类型 vgg11 17.11493968963623 推理半精度类型 vgg11_bn 18.40585231781006 推理半精度类型 vgg13 28.438148498535156 推理半精度类型 vgg13_bn 30.672597885131836 推理半精度类型 vgg16 34.43562984466553 推理半精度类型 vgg16_bn 36.92122936248779 推理半精度类型 vgg19_bn 43.144264221191406 推理半精度类型 vgg19 40.5385684967041 推理半精度类型 mobilenet_v3_large 5.350713729858398 推理半精度类型 mobilenet_v3_small 4.016985893249512 推理半精度类型 shufflenet_v2_x0_5 5.079126358032227 推理半精度类型 shufflenet_v2_x1_0 5.593156814575195 推理半精度类型 shufflenet_v2_x1_5 5.649552345275879 推理半精度类型 shufflenet_v2_x2_0 5.355663299560547 训练双精度类型mnasnet0_5 50.2386999130249 训练双精度类型 mnasnet0_75 80.66896915435791 训练双精度类型 mnasnet1_0 103.32422733306885 训练双精度类型 mnasnet1_3 154.6230697631836 训练双精度类型resnet18 337.94031620025635 训练双精度类型resnet34 677.7706575393677 训练双精度类型resnet50 789.9243211746216 训练双精度类型resnet101 1484.3351316452026 训练双精度类型resnet152 2170.570478439331 训练双精度类型resnext50_32x4d 877.3719882965088 训练双精度类型resnext101_32x8d 3652.4944639205933 训练双精度类型wide_resnet50_2 2154.612874984741 训练双精度类型wide_resnet101_2 4176.522083282471 训练双精度类型densenet121 607.8699731826782 训练双精度类型densenet169 744.6409797668457 训练双精度类型densenet201 962.677731513977 训练双精度类型densenet161 1759.772515296936 训练双精度类型squeezenet1_0 164.3690824508667 训练双精度类型squeezenet1_1 78.70647430419922 训练双精度类型vgg11 1362.6095294952393 训练双精度类型vgg11_bn 1387.2539138793945 训练双精度类型vgg13 2006.0230445861816 训练双精度类型vgg13_bn 2047.526364326477 训练双精度类型vgg16 2702.2086429595947 训练双精度类型vgg16_bn 2747.241234779358 训练双精度类型vgg19_bn 3447.1724700927734 训练双精度类型vgg19 3397.990345954895 训练双精度类型mobilenet_v3_large 84.65698719024658 训练双精度类型mobilenet_v3_small 29.816465377807617 训练双精度类型 shufflenet_v2_x0_5 27.401342391967773 训练双精度类型shufflenet_v2_x1_0 48.322744369506836 训练双精度类型 shufflenet_v2_x1_5 82.22103118896484 训练双精度类型shufflenet_v2_x2_0 141.7021369934082 推理双精度类型 mnasnet0_5 12.988653182983398 推理双精度类型 mnasnet0_75 22.422199249267578 推理双精度类型 mnasnet1_0 30.056486129760742 推理双精度类型 mnasnet1_3 46.953935623168945 推理双精度类型resnet18 118.04479122161865 推理双精度类型resnet34 231.52336597442627 推理双精度类型resnet50 268.63497734069824 推理双精度类型resnet101 495.2010440826416 推理双精度类型resnet152 726.4922094345093 推理双精度类型 resnext50_32x4d 291.47679328918457 推理双精度类型 resnext101_32x8d 1055.10901927948 推理双精度类型wide_resnet50_2 690.6917667388916 推理双精度类型wide_resnet101_2 1347.5529861450195 推理双精度类型densenet121 224.35829639434814 推理双精度类型densenet169 268.9145278930664 推理双精度型densenet201 343.1972026824951 推理双精度类型densenet161 635.866231918335 推理双精度类型squeezenet1_0 61.92759037017822 推理双精度类型squeezenet1_1 27.009410858154297 推理双精度类型 vgg11 462.3375129699707 推理双精度类型 vgg11_bn 468.4495782852173 推理双精度类型 vgg13 692.8219032287598 推理双精度类型 vgg13_bn 703.3538103103638 推理双精度类型 vgg16 924.4353818893433 推理双精度类型 vgg16_bn 936.5075063705444 推理双精度类型 vgg19_bn 1169.098300933838 推理双精度类型 vgg19 1156.3771772384644 推理双精度类型 mobilenet_v3_large 24.2356014251709 推理双精度类型 mobilenet_v3_small 8.85490894317627 推理双精度类型 shufflenet_v2_x0_5 6.360034942626953 推理双精度类型 shufflenet_v2_x1_0 14.301743507385254 推理双精度类型 shufflenet_v2_x1_5 24.863481521606445 推理双精度类型 shufflenet_v2_x2_0 43.8505744934082 结论 事实证明,新显卡是许多工作任务的有效解决方案。由于其紧凑的尺寸,它非常适合功能强大的 SFF(小型)计算机。此外,值得注意的是,6,144 个 CUDA 核心和 20GB 内存以及 160 位总线使该卡成为市场上生产力最高的卡之一。此外,70W的低TDP有助于降低功耗成本。四个 Mini-DisplayPort 端口允许该卡与多个显示器一起使用或作为多通道图形解决方案。 RTX 4000 SFF ADA 比前几代产品取得了重大进步,其性能相当于卡的两倍,功耗却是后者的两倍。 RTX 4000 SFF ADA 无需 PCIe 电源连接器,可轻松集成到低功耗工作站中,而无需牺牲高性能。