5070~=4090 performance 這個海報放著斗大的 $549
大家對549就高潮了說好棒棒，說549買4090的效能，什麼50系列c/p都出來了，汁多味美。這個ppt根本先把心理學研究透徹再把字給打上。
結果呢？補幀讓眼睛順滑是沒錯，延遲呢？講都不敢講，況且這還要遊戲嚴謹配套才有，而延遲是先天缺陷，這個驅動再怎麼厲害都不可能無限逼近實際的4090. 另外要強調的是：別忘了5070繼承著192bit記憶體頻寬跛腳缺陷。
J2C第一時間忍不住就要大家先冷靜冷靜，ppt是行銷學!
個人積分：2074分
文章編號：90933359
個人積分：1338分
文章編號：90933454
個人積分：12453分
文章編號：90933602
個人積分：3696分
文章編號：90933828
個人積分：158分
文章編號：90934661
畢竟不知道Blackwell架構實際上比前一代強多少，
但光是記憶體規格5070就差了4090一大截，
個人是不太相信「實際上」提升多大，
技術面「DLSS」由於自己是FPS黨所以沒有使用過，
連玩3A動作遊戲也都沒有開過寧可自降畫質，
可能我是敏感體質 (笑
AI運算方面...請AI來解釋比較快：
AI TOPS FP4 與 FP8 的主要差異
主要在於數據精度（floating-point precision）與其對計算性能、能效及應用場景的影響。以下是詳細比較：
1. 數據精度與表示範圍
- FP8（8-bit floating point）:
- 使用 8 位元表示浮點數，能表示的數值範圍較廣，適合需要一定精度的 AI 訓練與推理工作。
- 通常在深度學習模型中，FP8 提供了比 FP16 更高的效能，同時保持相對較低的精度損失。 - - FP4（4-bit floating point）:
- 使用 4 位元表示浮點數，數值範圍極小（例如 -3 到 3），且可能出現裁剪和失真問題。
- FP4 的主要優勢在於能顯著減少記憶體頻寬需求和運算資源消耗，但精度損失更大，適合特定低精度應用或大規模模型中不敏感的部分。
- FP8:
- 在性能和精度之間達到良好平衡，適合用於大多數深度學習模型的訓練和推理。
- 能有效提升運算速度，同時保持模型準確性。 - - FP4:
- 計算效率極高，能進一步提升每秒運算次數（TOPS），例如 NVIDIA 的 Blackwell GPU 在 FP4 模式下可達到更高的 AI TOPS 值。
- 因為降低了數據表示需求，FP4 大幅降低了功耗和記憶體頻寬需求，非常適合超大規模模型的推理或需要極高效能密度的場景。
- FP8:
- 適用於需要較高精度的 AI 訓練，例如語言模型（如 GPT 系列）或需要穩定性能的應用。
- 在推理階段也被廣泛採用，因為其能提供足夠的準確性。 - - FP4:
- 更適合於推理階段中不敏感的部分，例如 Transformer 模型中某些層的矩陣計算。
- 在極端需求下，如超大規模語言模型或邊緣設備上，FP4 可顯著提高效能密度，但需要硬體和軟體支持混合精度運算來彌補精度損失。
- FP8 已經成熟並廣泛應用，但 FP4 的實現面臨更多挑戰：
- 數據失真問題：FP4 的數值範圍極小，需要採用縮放技術（如 NVIDIA 的自動混合精度縮放）來減少失真。
- 應用限制：FP4 雖然在特定場景中有效，但不適合需要高精度的應用，如某些科學計算或關鍵層操作。
- FP8 和 FP4 的主要差異在於精度、性能與適用場景。FP8 提供較高的平衡性，適合大多數 AI 訓練與推理，而 FP4 則以極低功耗和高效能密度為優勢，但需克服精度損失問題，更多地應用於特定優化場景。
4090仍然是當紅炸子雞 (可以搬3090板+改48GB)，
5090D則是大砍AI運算性能但是保留遊戲效能，
5090無法進口且只支援FP4 (目前許多AI應用主力仍然是FP8)。
個人心得是，50系列不是不好，
而是一場發表會似乎吹噓得太過厲害...
期待日後各路大神的專業評測比較實際
個人積分：1065分
文章編號：90937294
個人積分：208分
文章編號：90937409
個人積分：12453分
文章編號：90940367
個人積分：168分
文章編號：90941176
個人積分：588分
文章編號：90943389
