NVIDIA H100 PCIe và H100 NVL: thông số, phiên bản và mô hình AI

H100 PCIe và H100 NVL cần được đọc tách khỏi H100 SXM. Nhóm muốn triển khai Hopper trong máy chủ PCIe phải ghi đúng phiên bản, dung lượng và cấu hình kết nối.

Thông số được đối chiếu ngày 09/10/2026. Các mô hình dưới đây là gợi ý để kiểm thử theo bộ nhớ, chưa phải kết quả đo trên máy thuê tại Datahub DC.

Thông số cần biết trước khi chọn NVIDIA H100 PCIe và H100 NVL

VRAM là bộ nhớ riêng của GPU, dùng chứa trọng số mô hình, dữ liệu đang xử lý và vùng làm việc. Băng thông bộ nhớ cho biết tốc độ trao đổi dữ liệu với VRAM; dung lượng lớn và băng thông cao là hai đặc tính khác nhau.

Phiên bản nào đang được nhắc tới?

H100 PCIe thông thường có 80 GB; H100 NVL có 94 GB trên mỗi GPU. Cặp H100 NVL là 2 × 94 GB, tổng 188 GB phân bố trên hai GPU, không phải một GPU 188 GB.

Công nghệ đáng chú ý và giới hạn

Hopper bổ sung Transformer Engine, khối hỗ trợ tính toán cho mô hình Transformer, cùng FP8 khi phần mềm hỗ trợ. Đây là thay đổi tính toán, không chỉ tăng số GB.

Khi so thông số AI, phải kiểm tra định dạng số và điều kiện đo. FP16 dùng 16 bit cho mỗi giá trị; FP8/FP4 dùng ít bit hơn nhưng cần phần cứng, định dạng mô hình và phần mềm phù hợp. Số TOPS hay TFLOPS không tự chuyển thành số câu hỏi chatbot xử lý mỗi giây.

Những mô hình AI nên đưa vào danh sách thử

Trong tên model, B là tỷ tham số: 7B có quy mô khoảng 7 tỷ tham số. Suy luận là dùng mô hình đã huấn luyện để trả kết quả. Vector tìm kiếm là dãy số biểu diễn ý nghĩa văn bản hoặc hình ảnh để tìm nội dung gần nhau.

Có thể khảo sát 32B FP16 hoặc 70B nén 4-bit trên một GPU nếu bộ nhớ đủ. Cấu hình hai GPU giúp chia mô hình lớn hơn khi phần mềm hỗ trợ.

Phép tính trên là số tham số × số bit / 8. Mô hình nén còn có thông tin phục vụ giải nén; phần mềm cần vùng làm việc. KV cache là bộ nhớ lưu trạng thái cuộc hội thoại để tránh tính lại dữ liệu cũ, tăng theo độ dài đầu vào và số phiên. Vì vậy một mô hình nạp được chưa chứng minh máy phục vụ ổn định.

Ví dụ để thử có thể lấy Qwen2.5-32B hoặc Llama 3.1 70B với định dạng vừa bộ nhớ. Đây là các model có tài liệu công khai, không phải danh sách model mới nhất. Tinh chỉnh bằng LoRA/QLoRA là huấn luyện phần tham số bổ sung theo cách tiết kiệm bộ nhớ; nhu cầu khác chạy suy luận, nên không dùng bảng trên để kết luận đủ VRAM huấn luyện.

Cách kiểm thử trước khi thuê dài hạn

Hỏi rõ PCIe thường hay NVL, số card và cầu kết nối. Yêu cầu đo trên cấu hình được giao, không lấy kết quả SXM nhiều GPU làm tham chiếu trực tiếp.

1. Chốt tên và phiên bản mô hình, định dạng trọng số, môi trường chạy; kiểm tra driver và thư viện có hỗ trợ GPU.
2. Lấy dữ liệu đại diện, gồm cả tài liệu dài nhất và đầu ra cần tạo. Chạy thử một phiên rồi tăng dần số phiên đồng thời.
3. Ghi đỉnh VRAM, thời gian trả kết quả đầu tiên, tốc độ hoàn thành và lỗi hết bộ nhớ. Đo lại khi chạy đủ các dịch vụ trên máy.
4. Thử tải kéo dài, theo dõi nhiệt độ và điện; so tổng chi phí hoàn thành công việc với cấu hình thay thế.

So với thế hệ mới và card gần nhất

H200 NVL tăng dung lượng mỗi GPU; B200/B300 thuộc nền tảng khác, cần so toàn máy.

Tư vấn cấu hình cho đội vận hành máy chủ AI

Nếu đội vận hành máy chủ AI đang chọn GPU cho dự án, hãy gửi tên model, định dạng chạy, độ dài dữ liệu đầu vào, số người dùng đồng thời và ngân sách tới hotro@thuemaychu.vn hoặc gọi 028.888.70979. Datahub DC có thể trao đổi cấu hình và phương án kiểm thử; cần xác nhận riêng card sẵn có, giá và phạm vi hỗ trợ trước khi chốt.