AMD RX 7900 XTX pokonuje Nvidię w testach DeepSeek AI

AMD opublikowało wyniki testów porównawczych swojego flagowego GPU Radeon RX 7900 XTX w zastosowaniach sztucznej inteligencji i najwyraźniej mają się czym pochwalić.

Według oficjalnych danych karta oparta na architekturze RDNA 3 okazała się wydajniejsza od konkurencyjnych modeli Nvidia RTX 4090 i RTX 4080 Super w testach przeprowadzonych z modelem AI DeepSeek R1.

RX 7900 XTX kontra RTX 4090 – minimalna, ale istotna przewaga

W serii testów RX 7900 XTX wykazał lepszą wydajność od flagowego modelu Nvidii w kilku konfiguracjach. Największą przewagę – 13% nad RTX 4090 – uzyskano w benchmarku z wykorzystaniem DeepSeek R1 Distill Qwen 7B.

AMD porównało karty w czterech różnych scenariuszach wykorzystujących różne modele AI. Wyniki wskazują, że RX 7900 XTX był również o 11% szybszy przy użyciu Distill Llama 8B oraz o 2% szybszy przy Distill Qwen 14B. Jedynym przypadkiem, w którym RTX 4090 okazał się wydajniejszy, było zastosowanie Distill Qwen 32B, gdzie przewaga Nvidii wyniosła 4%.

RX 7900 XTX deklasuje RTX 4080 Super

Jeszcze większe różnice zauważono w porównaniu z RTX 4080 Super. RX 7900 XTX przewyższył ten model aż o 34% w konfiguracji z DeepSeek R1 Distill Qwen 7B, a przewaga AMD utrzymała się również w innych testach: 27% wyższa wydajność z Distill Llama 8B i 22% lepszy wynik z Distill Qwen 14B.

Choć karty z serii RX 7900 XTX nie są powszechnie używane jako jednostki dedykowane do obliczeń AI, wyniki testów pokazują, że ich architektura RDNA 3 doskonale sobie z nimi radzi. Układ wyposażony w 192 akceleratory AI obsługuje operacje macierzowe w formatach BF16 i INT8, co czyni go potencjalnie bardziej opłacalnym rozwiązaniem do zastosowań AI niż konkurencyjne układy Nvidii.

Co więcej, AMD oficjalnie zaczęło promować swoje GPU jako akceleratory AI, publikując przewodnik dla użytkowników, jak uruchamiać modele DeepSeek R1 na sprzęcie konsumenckim AMD, w tym na RX 7900 XTX.

Tylko czy testy AMD są miarodajne?

Oczywiście, wyniki te należy traktować z pewną ostrożnością. Testy były przeprowadzone przez AMD, co oznacza, że warunki mogły być bardziej sprzyjające dla ich sprzętu. Nie jest jasne, jak dokładnie skonfigurowano procesory graficzne Nvidia – kluczowy czynnik, który może wpływać na wyniki.

Warto też zauważyć, że nie wszystkie zadania AI w pełni wykorzystują moc obliczeniową GPU. Przykładem są testy Stable Diffusion, gdzie optymalizacje takie jak FP8 czy TensorRT mogą znacząco zmienić rzeczywiste wyniki.