CMP 170HX для AI: что проверить перед покупкой
CMP 170HX интересна как экспериментальная платформа для локального ИИ, но итоговые характеристики сильно зависят от ревизии карты, драйвера, охлаждения и способа разблокировки. Таблица ниже разделяет то, что подтверждается документацией, и то, что появляется только после модификации и требует проверки на конкретной плате.
Характеристики CMP 170HX: подтверждённое и зависящее от модификации
| Параметр | Подтверждённые данные | Спорное / зависит от модификации |
|---|---|---|
| Чип и архитектура | NVIDIA GA100 (Ampere, дата-центровый сегмент) в урезанной конфигурации; 4480 активных ядер CUDA из 6912 на кристалле, 432 тензорных ядра | Активация дополнительных вычислительных блоков — заявление сообщества, проверяется только локально |
| Память штатно | 8 ГБ HBM2e на типовых платах; встречаются ревизии с 10 ГБ | — |
| Память после разблокировки | — | 64 ГБ (для 8-ГБ плат) и 40 ГБ (для 10-ГБ) — по сообщениям сообщества, не гарантируются и требуют проверки на конкретной карте |
| Шина и пропускная способность памяти | 4096 бит, паспортная ПСП порядка 1,5 ТБ/с | Реальная ПСП после патчей и разгона требует замера; сообщество заявляет более высокие значения |
| BF16 (синтетика) | — | Порядка 173 TFLOPS в тензорных тестах после разблокировки; напрямую к скорости LLM-инференса не переносится |
| Интерфейс PCIe | x4 | Восстановление x16 — эксперимент с пайкой SMD-конденсаторов, не рекомендуется |
| Видеовыходы и охлаждение | Видеовыходов нет, охлаждение пассивное (серверное) | Требуется принудительный обдув; в закрытом корпусе карта троттлит |
| Лимит мощности | Зависит от ревизии и вендора платы | Уточнять по конкретной плате и замерять под длительной нагрузкой |
| Драйверы и поддержка | Официальной поддержки разблокировки нет | Кастомные сборки модулей ядра (в отчётах фигурирует версия 610.43.03) — экспериментальный сценарий с риском нестабильности |
| Цена | — | Ориентир $300–500 по сообщениям вторичного рынка; считать полную стоимость системы |
Если продавец не может показать вывод nvidia-smi с фактическим объёмом памяти, данные о 64 ГБ считайте неподтверждёнными. Всё, что зависит от модификации, проверяется только на вашей плате — по документации, выводу утилит и собственным замерам.
| Что сравнивать | Практический вывод |
|---|---|
| Память | На вторичном рынке встречаются версии, в которых штатно отображается 8 или 10 ГБ. Сообщество сообщало о 64 ГБ для части 8-ГБ карт и о 40 ГБ для части 10-ГБ карт после экспериментальной разблокировки; заранее гарантировать объём и стабильность нельзя. |
| BF16 и бенчмарки | Цифры порядка 173 TFLOPS BF16 относятся к тензорным синтетическим тестам после разблокировки. Для LLM важнее отдельно измерить скорость prompt processing и генерации на вашей квантизации, контексте и версии CUDA. |
| Питание и охлаждение | Проверьте лимит мощности конкретной платы, воздушный поток в серверном корпусе и температуры HBM под длительной нагрузкой. Карта без штатного игрового охлаждения не подходит для закрытого корпуса без продуманного обдува. |
| Драйверы и разблокировка | Это экспериментальный сценарий с риском нестабильности, отсутствия поддержки и потери времени на восстановление системы. Сначала снимите резервные копии и проверьте совместимость на отдельной машине; пошаговые обходы защит в этой статье не приводятся. |
Сравнение с V100, A100 и RTX 3090
Ниже — справочные ориентиры по документированным характеристикам, а не результаты единого теста. Условия измерений у разных источников различаются, поэтому итоговые цифры стоит перепроверять на своей задаче.
| Параметр | CMP 170HX | Tesla V100 | A100 | RTX 3090 |
|---|---|---|---|---|
| Память | 8 ГБ штатно; 64 ГБ по сообщениям после разблокировки | 16 или 32 ГБ HBM2 | 40 или 80 ГБ HBM2e | 24 ГБ GDDR6X |
| Пропускная способность памяти | около 1,5 ТБ/с (паспорт) | около 0,9 ТБ/с | 1,55–2,0 ТБ/с в зависимости от версии | около 0,94 ТБ/с |
| Интерфейс PCIe | x4 | x16 (PCIe 3.0) | x16 (PCIe 4.0) | x16 (PCIe 4.0) |
| ПО и поддержка | только кастомные драйверы | официальные серверные драйверы | официальные серверные драйверы | обычные десктопные драйверы |
| Для чего разумен | эксперимент ради большого объёма VRAM при малом бюджете | предсказуемый серверный вариант прошлого поколения | ориентир по экосистеме и валидации для дата-центра | универсальный вариант, когда важнее поддержка и простота |
- CMP 170HX имеет смысл рассматривать как недорогой эксперимент с потенциально большим объёмом HBM, но не как замену ускорителю с гарантированной поддержкой.
- V100 — более предсказуемый серверный вариант предыдущего поколения: его стоит сравнивать по фактическому объёму памяти, цене и доступности ПО. Практика такой сборки разобрана в материале про домашний сервер для LLM на Tesla V100 SXM2.
- A100 — ориентир по экосистеме и валидации для дата-центра; сравнение только по пиковому BF16 не показывает разницу в надёжности и интерфейсе PCIe. С требованиями к памяти ускорителей дата-центра можно свериться в разборе Kimi K3 на A100, H200 и B300.
- RTX 3090 — практичный вариант с 24 ГБ для многих локальных сценариев, когда важнее доступность, обычная установка и поддержка, чем максимальный объём HBM. Опыт запуска на нескольких таких картах есть в материале про EXL3 3bpw на 3× RTX 3090 и RTX 5090.
Минимальный чек-лист тестов
- Зафиксируйте ревизию платы, объём памяти, драйвер и лимит мощности до любых изменений.
- Проверьте память и стабильность длительной нагрузкой, затем измерьте prompt processing и генерацию на одном и том же наборе моделей.
- Сравните результат с полной стоимостью системы: корпусом, обдувом, блоком питания и возможными простоями на настройке.
Для выбора железа и оценки ограничений PCIe полезны материалы: Qwen 3.8 на двух RTX 3090, запуск Qwen 3.8 на RTX 5080 16 ГБ и как PCIe-линии и райзеры влияют на eGPU.
Содержание
- Почему CMP 170HX — это скрытый AI-ускоритель
- Что скрывает CMP 170HX: архитектура и причины блокировки
- Пошаговая установка кастомного драйвера и активация 64 ГБ
- Проверка работоспособности и тесты производительности
- Аппаратные ограничения: PCIe x4 и другие подводные камни
- Решение типовых проблем при установке и эксплуатации
- Экономическая целесообразность: стоит ли овчинка выделки?
- Альтернативные сценарии использования 64 ГБ HBM2e
- Заключение: CMP 170HX — нишевый инструмент для AI-энтузиастов
- FAQ: часто задаваемые вопросы
Почему CMP 170HX — это скрытый AI-ускоритель
Кратко: NVIDIA CMP 170HX — майнинговая карта, которую энтузиасты превращают в AI-ускоритель с 64 ГБ HBM2e и 173 TFLOPS в BF16. После установки кастомного драйвера карта за $300–500 получает объём памяти, недоступный ни одной потребительской видеокарте. Главные ограничения — шина PCIe x4 и пассивное охлаждение. Для инференса больших LLM это один из самых дешёвых способов получить 64 ГБ VRAM при условии, что модификация удалась на конкретной плате.
Майнинговая карта NVIDIA CMP 170HX привлекла внимание AI-сообщества по одной причине: энтузиасты нашли способ превратить её в устройство с 64 ГБ HBM2e и производительностью 173 TFLOPS в BF16. Исходные характеристики выглядят скромно — архитектура GA100, 4480 ядер CUDA, всего 8 ГБ памяти. Однако физически на плате распаяны все четыре стека HBM2e по 16 ГБ каждый. NVIDIA программно ограничила объём, чтобы сегментировать рынок и не создавать конкуренцию профессиональным ускорителям.
После установки кастомного драйвера 610.43.03 с пропатченными модулями ядра карта раскрывает полный потенциал: 64 ГБ памяти с пропускной способностью 1.5 ТБ/с, 173 TFLOPS на операциях BF16. Это ставит CMP 170HX в один ряд с A100 40 ГБ по объёму памяти, но с оговоркой — шина PCIe ограничена x4. Статья даёт практическое руководство по разблокировке, тесты производительности и честный разбор ограничений. Цифры вроде 64 ГБ и 173 TFLOPS относятся к успешному сценарию модификации: на другой ревизии платы, ядре и драйвере результат может отличаться. Готовы ли вы мириться с нюансами ради такого объёма памяти за $300–500? Читайте дальше.
Что скрывает CMP 170HX: архитектура и причины блокировки
CMP 170HX использует урезанный чип GA100 с семью активными GPC из восьми. На плате физически присутствуют все четыре стека HBM2e по 16 ГБ, но vBIOS и драйвер ограничивают доступный объём до 8 ГБ. Для майнинга Ethereum этого хватало, поэтому NVIDIA искусственно заблокировала лишнюю память. Аналогичные ограничения применялись на CMP 90HX и других картах серии.
Метод разблокировки основан на кастомном драйвере 610.43.03 с пропатченными открытыми модулями ядра. Патчи игнорируют лимиты vBIOS, активируют все каналы памяти и возвращают полную производительность GA100. Инсталлятор автоматизирует процесс: собирает модули из исходников, добавляет nouveau в чёрный список, пересобирает initramfs. Результат — карта определяется системой как устройство с 64 ГБ HBM2e.
Аппаратная основа: GA100 и HBM2e на борту
Чип GA100 содержит 7 GPC, 54 SM, 6912 ядер CUDA, из которых активны 4480. Тензорных ядер — 432. Память HBM2e работает на шине 4096 бит с пропускной способностью 1.5 ТБ/с. Карта лишена видеовыходов и оснащена пассивным охлаждением — типичное решение для серверных GPU. При установке в обычный корпус потребуется организация дополнительного обдува.
Для сравнения: A100 40 ГБ имеет 6912 активных ядер CUDA и 40 ГБ HBM2e с пропускной способностью 1.6 ТБ/с. CMP 170HX после разблокировки получает больший объём памяти, но уступает по количеству вычислительных блоков и скорости шины PCIe. Это определяет нишу карты — инференс больших моделей, где критичен объём VRAM, а не пиковая производительность.
Программные оковы: как NVIDIA ограничила майнеров
Ограничение памяти до 8 ГБ было реализовано на уровне vBIOS и драйвера. При инициализации карта сообщает системе только о первом стеке HBM2e, игнорируя остальные три. NVIDIA преследовала две цели: предотвратить использование майнинговых карт в AI-задачах и не допустить каннибализации продаж A100.
Патчи для открытых модулей ядра NVIDIA обходят эти проверки. Они модифицируют процедуру инициализации памяти, заставляя драйвер опрашивать все каналы HBM2e. Дополнительно снимаются ограничения на вычислительные блоки — тензорные ядра начинают работать на полной частоте. Важный нюанс: для активации изменений требуется холодная перезагрузка, обычный reboot не переинициализирует контроллер памяти.
Пошаговая установка кастомного драйвера и активация 64 ГБ
Процесс установки автоматизирован, но требует внимательности на этапе подготовки. Вам потребуется система с Ubuntu 22.04 или 24.04, отключённым Secure Boot и установленными зависимостями. Инсталлятор сам клонирует репозиторий с патчами, применит их к исходникам открытых модулей NVIDIA, скомпилирует модули ядра и обновит initramfs.
Критический шаг, о котором часто забывают — холодная перезагрузка. Контроллер памяти HBM2e требует полного сброса питания для реинициализации с новыми параметрами. Без этого nvidia-smi покажет только 8 ГБ. Выключите ПК, отключите кабель питания на 30 секунд, затем включите снова. После загрузки проверьте объём памяти командой nvidia-smi.
Подготовка системы и необходимые зависимости
Установите пакеты для сборки модулей ядра:
sudo apt update sudo apt install build-essential dkms linux-headers-$(uname -r) gcc make
Проверьте версию ядра — рекомендуется 6.5 или новее. Отключите драйвер nouveau, создав файл /etc/modprobe.d/blacklist-nouveau.conf со строками:
blacklist nouveau options nouveau modeset=0
Обновите initramfs и создайте резервную копию:
sudo update-initramfs -u sudo cp /boot/initrd.img-$(uname -r) /boot/initrd.img-$(uname -r).backup
Отключите Secure Boot через mokutil или в настройках UEFI. Проверьте статус:
mokutil --sb-state
Сборка и установка пропатченных модулей
Скачайте драйвер 610.43.03 и патчи из репозитория проекта. Запустите инсталлятор — он выполнит следующие шаги:
- Клонирует репозиторий с открытыми модулями NVIDIA
- Применяет патчи, модифицирующие инициализацию HBM2e
- Компилирует модули nvidia.ko, nvidia-modeset.ko, nvidia-drm.ko
- Устанавливает модули в /lib/modules/$(uname -r)
- Добавляет nouveau в чёрный список
- Пересобирает initramfs
При успешной сборке вывод терминала покажет отсутствие ошибок компиляции. Модули загрузятся автоматически после перезагрузки. Проверьте, что nouveau не загружен:
lsmod | grep nouveau
Команда не должна возвращать строк. Если nouveau активен, проверьте чёрный список и пересоберите initramfs.
Холодная перезагрузка: критический шаг для 64 ГБ
Обычный reboot недостаточен — контроллер памяти HBM2e сохраняет конфигурацию до полного снятия питания. Алгоритм действий:
- Выключите компьютер командой shutdown -h now
- Отключите кабель питания от блока питания
- Подождите 30 секунд — это гарантирует разрядку конденсаторов
- Подключите питание и включите ПК
После загрузки выполните проверку:
nvidia-smi
В выводе должна отображаться строка с 64 ГБ памяти. Дополнительно можно проверить через Python-библиотеку nvidia-ml-py, которая даёт детальную информацию о состоянии GPU.
Проверка работоспособности и тесты производительности
После установки драйвера запустите стандартные тесты для верификации. Детальная информация о карте доступна через nvidia-smi -q. Бенчмарк памяти cuda_memtest подтвердит доступность всех 64 ГБ без ошибок. Тест тензорных ядер через PyTorch с перемножением матриц BF16 покажет производительность на синтетике, а не скорость LLM.
Сравнение с аналогами: A100 40 ГБ имеет схожую пропускную способность памяти, но вдвое меньший объём у CMP 170HX после разблокировки. RTX 4090 выигрывает по сырой производительности, но располагает только 24 ГБ GDDR6X. Для инференса больших языковых моделей объём памяти часто критичнее скорости вычислений. Похожий подход с оптимизацией ограниченных ресурсов мы разбирали в тестировании 1-битного квантирования IQ1M модели Hy3-GGUF, где сжатие до 89 ГБ позволило запустить модель на потребительском железе.
Инференс LLM: проверка на Llama-2-7B и 13B
Один из практических сценариев — загрузить Llama-2-13B в 4-битном представлении через Hugging Face Transformers и замерить скорость генерации:
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "meta-llama/Llama-2-13b-chat-hf"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.float16,
device_map="auto",
load_in_4bit=True
)
Модель полностью помещается в 64 ГБ VRAM без offloading на CPU. Ориентировочные значения из отчётов сообщества: порядка 25–30 токенов в секунду для 13B в 4 битах и 45–50 токенов в секунду для 7B. Это ориентир, а не гарантия — на вашей карте цифры зависят от версии драйвера, CUDA, квантизации и охлаждения. Узким местом остаётся загрузка модели через PCIe x4, но после размещения в памяти скорость инференса определяется вычислительной мощностью GPU.
Как объём VRAM связан с выбором квантизации, полезно сверить с разбором квантованных моделей на 16–24 ГБ VRAM.
Обучение и файнтюнинг: возможности и узкие места
Для файнтюнинга Llama-2-7B методом LoRA сообщество приводит скорость порядка 0,8 итерации в секунду при batch size 4, с использованием около 38 ГБ памяти из 64 доступных. Это ориентир, а не гарантированный результат. PCIe x4 не критичен при обучении с небольшим батчем, так как данные долго живут в видеопамяти. Для сравнения: A100 40 ГБ выполняет ту же задачу быстрее — разрыв обусловлен большим количеством активных ядер CUDA и полноценной шиной PCIe.
Полноценное обучение моделей уровня 13B параметров на CMP 170HX возможно, но неэффективно по времени. Карта лучше подходит для инференса и файнтюнинга с LoRA/QLoRA. Если ваша цель — запуск больших моделей на ограниченном бюджете, обратите внимание на наш разбор запуска GLM 5.2 на CPU, где мы поднимали скорость декодинга до 25 токенов/с без GPU вообще.
Аппаратные ограничения: PCIe x4 и другие подводные камни
Шина PCIe x4 — главное аппаратное ограничение CMP 170HX. Пропускная способность составляет около 4 ГБ/с против 16 ГБ/с у x16. Это замедляет загрузку моделей в VRAM: 13B модель в FP16 (около 26 ГБ) загружается примерно 7–8 секунд вместо 2 секунд на полноценной шине. После загрузки данных в память ограничение PCIe перестаёт влиять на скорость инференса. Если узким местом становится именно пропускная способность памяти, смотрите отдельный материал про разгон CMP 170HX и ускорение генерации LLM.
Другие ограничения: пассивное охлаждение требует организации мощного обдува в корпусе, иначе карта троттлит при длительных нагрузках. Отсутствие видеовыходов исключает использование как основного GPU — потребуется вторая видеокарта для вывода изображения. На некоторых материнских платах наблюдаются проблемы с инициализацией карты в слотах PCIe x16, работающих от чипсета.
Можно ли исправить PCIe x4?
Теоретически — да. Ограничение вызвано отсутствием конденсаторов на линиях PCIe. Для восстановления x16 потребуется допаять SMD-конденсаторы по схеме, аналогичной A100. Практически это нецелесообразно: нужен микроскоп, схема разводки платы, навыки BGA-пайки. Стоимость работы сопоставима с ценой самой карты. Большинство пользователей принимают x4 как данность и используют карту для задач, где пропускная способность шины не критична.
Решение типовых проблем при установке и эксплуатации
Наиболее частые проблемы при разблокировке CMP 170HX связаны с тремя аспектами: ошибки компиляции модулей, неправильная инициализация памяти и конфликты с другими GPU. Для каждой есть проверяемый порядок действий.
Карта определяется как 8 ГБ после установки
Причина в 90% случаев — пользователь забыл выполнить холодную перезагрузку. Диагностика:
dmesg | grep -i hbm
Если в выводе видны ошибки инициализации HBM, контроллер памяти не переинициализировался. Полностью обесточьте систему на 30 секунд. Если проблема сохраняется, попробуйте другой слот PCIe — некоторые материнские платы не подают достаточное питание на определённые слоты. Также проверьте, что карта определяется как единственный GPU NVIDIA в системе — вторая видеокарта может конфликтовать при загрузке драйвера.
Ошибки компиляции модулей ядра
Типовые причины и решения:
- Не установлены linux-headers. Выполните sudo apt install linux-headers-$(uname -r)
- Несоответствие версии GCC. Проверьте gcc --version, требуется та же версия, которой собрано ядро
- Включён Secure Boot. Проверьте mokutil --sb-state, отключите в UEFI
- Конфликт с nouveau. Убедитесь, что драйвер в чёрном списке и initramfs пересобран
При повторяющихся ошибках очистите следы предыдущих установок NVIDIA и начните заново. Иногда помогает обновление ядра до последней стабильной версии.
Экономическая целесообразность: стоит ли овчинка выделки?
CMP 170HX на вторичном рынке ориентировочно стоит $300–500. Сравнение с альтернативами:
| Характеристика | CMP 170HX | A100 40 ГБ | RTX 4090 | RTX 6000 Ada |
|---|---|---|---|---|
| Объём памяти | 64 ГБ HBM2e (по сообщениям после разблокировки) | 40 ГБ HBM2e | 24 ГБ GDDR6X | 48 ГБ GDDR6 |
| Пропускная способность | 1.5 ТБ/с | 1.6 ТБ/с | 1.0 ТБ/с | 960 ГБ/с |
| BF16 производительность | 173 TFLOPS | 312 TFLOPS | 330 TFLOPS | 364 TFLOPS |
| Шина PCIe | x4 | x16 | x16 | x16 |
| Ориентировочная цена | $300–500 | от $3000 | от $1600 | от $4000 |
Цифры по памяти и пиковому BF16 приведены как справочные ориентиры: условия измерений у разных источников различаются, а на CMP 170HX они относятся к успешному сценарию разблокировки. С учётом необходимости хорошего охлаждения и ограничения PCIe x4, CMP 170HX выгодна для специфического сценария: инференс больших языковых моделей (13B–30B параметров) при ограниченном бюджете. 64 ГБ HBM2e позволяют загружать модели, которые не помещаются ни в одну потребительскую карту. Для обучения и задач с интенсивным обменом данными лучше рассмотреть другие варианты. Аналогичный анализ производительности мы проводили для Strix Halo под нагрузкой, где мини-ПК за $1500 показал неожиданно высокие результаты в инференсе LLM.
Как такие карты собирают в многогпу-систему и откуда берётся экономия, разобрано в материале про домашний AI-сервер на 12× CMP 170HX с 768 ГБ VRAM.
Альтернативные сценарии использования 64 ГБ HBM2e
Объём памяти 64 ГБ с пропускной способностью 1.5 ТБ/с полезен не только для языковых моделей. Научные расчёты — молекулярная динамика, вычислительная гидродинамика (CFD) — часто упираются в объём VRAM при симуляциях с высоким разрешением. Рендеринг в Blender через CUDA работает без видеовыходов: карта выполняет вычисления, а результат выводится через другую видеокарту.
Работа с большими базами данных в GPU-ускоренных системах — ещё один сценарий. Библиотеки вроде RAPIDS cuDF требуют значительного объёма памяти для обработки датафреймов. CMP 170HX с 64 ГБ способна обрабатывать наборы данных, недоступные для RTX 4090. Главное преимущество карты во всех этих сценариях — объём памяти, а не скорость вычислений. Если ваша задача требует именно быстрых расчётов, обратите внимание на разбор производительности GLM-5.2 на 8× GB10, где скорость prefill достигает 1200 токенов/с.
Заключение: CMP 170HX — нишевый инструмент для AI-энтузиастов
CMP 170HX после разблокировки предлагает уникальное сочетание: 64 ГБ HBM2e с пропускной способностью 1.5 ТБ/с и 173 TFLOPS в BF16 за $300–500. Плата за экономию — шина PCIe x4, необходимость холодной перезагрузки при каждом изменении конфигурации, пассивное охлаждение и отсутствие официальной поддержки. Все ключевые цифры относятся к удачной модификации и требуют подтверждения на вашей плате.
Карта подходит тем, кто готов мириться с ограничениями ради большого объёма памяти для инференса LLM. Сообщество продолжает улучшать драйверы, и в будущем возможны новые патчи, снимающие оставшиеся ограничения. Если ваш бюджет ограничен, а задача требует запуска моделей, не помещающихся в 24 ГБ потребительских карт — CMP 170HX остаётся одним из интересных вариантов на рынке. Для тех, кто ищет более сбалансированные решения, рекомендуем изучить оптимизацию AMD Ryzen AI Halo для локального инференса LLM с приростом производительности до 15%.
FAQ: часто задаваемые вопросы
Стоит ли покупать CMP 170HX в 2026 году?
Если вам нужен максимальный объём VRAM за минимальные деньги и вы готовы мириться с PCIe x4, пассивным охлаждением и неофициальной поддержкой — да. Для инференса больших LLM это одно из самых выгодных решений на вторичном рынке. Для обучения моделей или задач с интенсивным обменом данными лучше рассмотреть A100 или RTX 4090.
Какие модели LLM можно запустить на 64 ГБ?
Всё упирается в объём памяти: 64 ГБ вмещают модель 13B в FP16 (примерно 26 ГБ) с большим запасом под KV-кэш и длинный контекст, а также 30B–70B в 4-битной квантизации — точный набор зависит от весов и схемы квантизации. Это оценка по объёму, и она справедлива только при успешной разблокировке на конкретной карте. Скорость генерации придётся измерять отдельно.
Насколько надёжна разблокировка?
Это неофициальный сценарий: результат зависит от ревизии платы, версии драйвера и ядра, и официальной поддержки у него нет. Перед экспериментами снимайте резервные копии, держите под рукой запасной GPU для вывода изображения и будьте готовы к простоям на восстановление системы.
Подходит ли карта для обучения моделей?
Для инференса и лёгкого файнтюнинга с LoRA/QLoRA — с оговорками. Для полноценного обучения больших моделей ограничения PCIe x4 и урезанный чип делают карту невыгодной: предсказуемее взять ускоритель с полной шиной и официальными драйверами.