HPE в презентации новых серверов ProLiant DL585a Gen13 случайно раскрыла готовящиеся ИИ-ускорители NVIDIA Rubin с интерфейсом PCIe.

Нынешние ИИ-ускорители Rubin используют форм-фактор SMX и потребляют до 2300 Вт. Такой форм-фактор рассчитан на проприетарные серверные системы, поэтому перенести Rubin в стандартную PCIe-карту без существенных изменений было бы сложно, поэтому новая версия, если она вообще появится, получит другой дизайн с уменьшенным энергопотреблением и иными рабочими частотами.

По предварительным данным, ускоритель может использовать графический процессор GR202, который также связывают со следующим поколением игровых видеокарт GeForce. Не исключено, что речь идет о профессиональной карте семейства RTX Pro, но пока это лишь предположение.

Сам HPE ProLiant DL585a Gen13 представляет собой сервер высотой 10U на двух процессорах AMD EPYC 9006 с поддержкой до 8 двухслотовых или 16 однослотовых PCIe-карт, а для хранения данных предусмотрено 16 отсеков под накопители EDSFF E3.S.

NVIDIA пока не раскрыла характеристики и не подтвердила существование PCIe-ускорителей нового поколения.

😅 Канал Serverflow в MAX: Подписаться

Характеристики ИИ-стоек на базе ИИ-ускорителей Crescent Island D270, CPU Xeon и RDU SambaNova. Обратите внимание на вторую стойку Intel GPU Rack — пропускная способность памяти…120 ГБ/с на стойку???

😅 Канал Serverflow в MAX: Подписаться

AMD начала продажи мини-ПК Ryzen AI Max+ PRO 495 за $7299,99 — это почти вдвое дороже предыдущей версии на базе чипа Ryzen AI Max Pro 395 и на $300 дороже Nvidia DGX Spark со 128 ГБ памяти. Эталонная настольная система для ИИ оснащена 192 ГБ унифицированной памяти LPDDR5X-8533 и SSD на 2 ТБ, а также сетевым интерфейсом 10 Гбит/с, Wi-Fi 7, Bluetooth 5.4 и видеовыход HDMI 2.1b. Вся начинка помещается в корпусе объемом чуть больше литра.

😅 Канал Serverflow в MAX: Подписаться

Llama.cpp — это, очевидно, основной движок для инференса локальных нейронок на CPU. Но благодаря открытости этой платформы, она получила множество форков, некоторые из которых могут дать маху даже основному движку.

Один из таких форков — ik_llama.cpp от Ивана Кавракова, который 2023 году создал технологию K-quants и форматы Q4_K_M, Q5_K_S и т.д., известные всем, кто скачивает модели в GGUF.

В 2024 году он решил развивать свои идеи отдельно. Проект начался как форк llama.cpp в июне 2024 года, а последняя синхронизация с основной веткой была в августе того же года. С тех пор ik_llama.cpp живёт своей жизнью: в нём уже почти 5000 коммитов, 3,3 тысячи звёзд на GitHub и лицензия MIT.

Главная фишка форка заложена прямо в его описании: это llama.cpp с лучшей производительностью на CPU. И это не пустые слова. В декабре 2024 года автор сравнил свой форк с основной веткой на Ryzen 9 7950X и модели LLaMA 3.1 8B. Обработка промпта в BF16 выросла с 78,58 до 256,9 токена в секунду, в Q4_K_S с 108,4 до 269,6, а в формате IQ3_S и вовсе с 30,2 до 156,47, то есть в 5,18 раза 🔥

Многие функции для инференса появились сначала в ik_llama.cpp и только потом стали доступны в llama.cpp, а некоторые фишки вовсе остались уникальными, Среди функций форка:

⚒️ Семейство IQK-квантов (IQ2_K, IQ3_K, IQ4_K, IQ4_KS, IQ5_K, IQ6_K и другие) даёт лучшее соотношение размера и качества. Есть варианты с чередованием строк вроде IQ4_K_R4 и IQ4_KS_R16, где веса заранее упакованы так, чтобы процессор обрабатывал их максимально эффективно.

⚒️Trellis-кванты от IQ1_KT до IQ4_KT. Они основаны на новом целочисленном методе trellis-квантизации, который позволяет добиться приемлемой производительности даже на CPU. Плюс поддержка тернарных моделей BitNet, 1-битных Bonsai и MXFP4 из моделей gpt-oss.

⚒️ MLA и FlashMLA, фирменные механизмы внимания DeepSeek. В марте 2025 года вышла FlashMLA-3, которую автор описывает как самый быстрый инференс DeepSeek исключительно на CPU.

⚒️ Smart Expert Reduction, благодаря которому модель может задействовать меньше экспертов на каждый токен, жертвуя небольшой долей качества ради заметного прироста скорости.

⚒️ Tensor overrides, с помощью которых можно вручную указать, какие веса держать в видеопамяти, а какие в оперативной: например, оставить слои внимания на видеокарте, а экспертов на процессоре.

Есть и подводные камни:

⚠️ Первый момент: полноценно и быстро работают только два бэкенда: CPU с AVX2 или новее (или ARM NEON и новее) и CUDA на видеокартах начиная с Turing. Так что если у вас видеокарта AMD, Intel или вы работаете на Mac, лучше оставаться на оригинальном llama.cpp.

⚠️ Второй важный момент касается процессоров с AVX-512. Для них при сборке нужно добавить отдельные флаги, которые включают оптимизированные IQK-ядра. Без этих флагов обычная Release-сборка на таком железе молча откатывается на путь AVX2. То есть можно собрать форк на новеньком EPYC и даже не узнать, что половина его возможностей не используется.

⚠️ Третий нюанс для тех, кто запускает MoE-модели в связке с видеокартой. Если часть экспертов оставлена на CPU, опцию -rtr лучше не использовать. Она перепаковывает все тензоры в оперативной памяти в формат с чередованием строк, а поскольку не у всех типов квантизации есть CUDA-реализация, умножение этих матриц всегда будет выполняться на CPU, даже когда выгоднее было бы отдать его видеокарте. Обычно это снижает скорость обработки промпта.

😅 Канал Serverflow в MAX: Подписаться

Claude Fable 5.5 появилась в модельном API Azure 👀

😅 Канал Serverflow в MAX: Подписаться

Nvidia официально открыла исходный код платформы NVIDIA Run:ai 🎉

😅 Канал Serverflow в MAX: Подписаться

Китайская Decenta представила одну из первых материнских плат для будущих процессоров Intel Nova Lake-S под сокет LGA 1954. Модель M26-NVLS-ATX09 выполнена в формате ATX и рассчитана на промышленные системы автоматизацию, встраиваемые системы, коммуникационное оборудование и периферийные серверы. Плата выпускается в двух вариантах на чипсетах Intel Q970 и B960, хотя производитель пока не уточнил, какой чипсет установлен в каждой конфигурации.

M26-NVLS-ATX09 оснащена 10-фазной подсистемой питания VRM по схеме 8+1+1 и четырьмя слотами DDR5-6400 UDIMM. Память работает в двухканальном режиме, максимальный поддерживаемый объем составляет 256 ГБ. Также есть 7 слотов для карт расширений PCIe 5.0.

Для накопителей предусмотрены 2 разъема M.2 Key M под SSD форматов 2242 и 2280. Отдельный M.2 Key E предназначен для беспроводных модулей формата 2230 с поддержкой Wi-Fi 7 и Bluetooth 6. На задней панели есть видеовыходы VGA, HDMI и DisplayPort для одновременного подключения трёх мониторов, а также поддержка TPM 2.0.

Цена M26-NVLS-ATX09 и сроки начала продаж пока не объявлены.

😅 Канал Serverflow в MAX: Подписаться

Хуанг встретился с Макроном в рамках своего визита в Париж. Обсудили развитие ИИ во Франции и меры по обеспечению безопасности передовых ИИ-моделей 👀

😅 Канал Serverflow в MAX: Подписаться