قد تعزّز معلمات Kimi K3 البالغة 2.8 تريليون، وعمليات النشر عبر 64 شريحة طلبًا على وحدات معالجة Nvidia والذاكرة HBM

NVDA%2.32-
بحسب SemiAnalysis، فإن Kimi K3 التي تضم أكثر من 2.8 تريليون معلمة تتطلب بنية نشر مكوّنة من 64 شريحة، وسعة HBM تتجاوز 1.5 تيرابايت. وعلى عكس مخاوف السوق من أن آليات الانتباه الخطي قد تُضعف الطلب على عتاد الذكاء الاصطناعي عالي الفئة، قالت الشركة البحثية إن حجم K3 وبنية الاستدلال الخاصة بها قد تُعزّز الطلب فعلياً على وحدات Nvidia للرسوميات وذاكرة HBM ومعدات الربط البيني. وأشارت SemiAnalysis إلى أنه حتى مع محدودية تزامن المستخدمين، فإن ذاكرة KV cache تحتاج إلى تفريغ كبير إلى ذاكرة CPU DDR5 وإلى التخزين NVMe، ما يترك مجالاً محدوداً لرحابة HBM. وتعتقد الشركة أن تحسين هياكل النماذج يقلّل تكاليف الاستدلال في الذكاء الاصطناعي، ما يدفع إلى توسيع اعتماد التطبيقات، ويعزز الطلب طويل الأجل على وحدات GPU وHBM وDRAM وبنية الشبكات.
إخلاء المسؤولية: قد تكون المعلومات الواردة في هذه الصفحة مستمدة من مصادر خارجية وهي للمرجعية فقط. لا تمثل هذه المعلومات آراء أو وجهات نظر Gate ولا تشكل أي نصيحة مالية أو استثمارية أو قانونية. ينطوي تداول الأصول الافتراضية على مخاطر عالية. يرجى عدم الاعتماد حصرياً على المعلومات الواردة في هذه الصفحة عند اتخاذ القرارات. لمزيد من التفاصيل، يرجى الرجوع على إخلاء المسؤولية.
تعليق
0/400
لا توجد تعليقات