NVIDIA的GPU命名规则融合了架构代号、产品定位及技术特性，以下为当前主流规则解析：

企业生产级或数据中心级 GPU 的命名规则乍看之下可能较为复杂，例如 K80、T4、A100、L40 等名称，初学者往往难以理解其含义。然而，这些看似随机的字母和数字组合并非随意排列，而是经过精心设计的，它们实际上编码了关于 GPU 架构、性能参数和关键技术规格的重要信息。

一、架构代号（科学家命名）

NVIDIA GPU 架构梳理

image_2025-03-26_10-19-51.jpg

  • Ada Lovelace（L系列）：2022年发布，支持DLSS 3、第四代Tensor Core（FP8），如L4、L40。
  • Hopper（H系列）：2022年发布，专为AI和HPC优化，支持Transformer引擎，如H100。
  • Ampere（A系列）：2020年发布，引入DPX指令和第三代Tensor Core，如A100、A10。
  • Turing（T系列）：2018年发布，首代光追架构，如T4、RTX 2000。
  • Volta（V系列）：2017年发布，支持Tensor Core，如V100。
  • Pascal（P系列）：2016年发布，如P100、GTX 1080。

二、消费级显卡命名（GeForce系列）

  1. 前缀（性能定位）：

  2. RTX：支持实时光追和DLSS，如RTX 4090（Ada架构）。

  3. GTX：传统高性能，如GTX 1660（Turing架构）。
  4. GT/GTS：入门级，如GT 1030。

  5. 数字编码：

  6. 首数字：代数，如40系列（Ada）、30系列（Ampere）。

  7. 中间数字：性能档次，1-3（低端）、4-6（中端）、7-9（高端），如RTX 4070（中高端）。
  8. 末位数字：细分型号，如RTX 3080 Ti（Ti为增强版）。

  9. 后缀：

  10. Ti：高频增强版，如RTX 4080 Ti。

  11. S/Super：性能介于标准版与Ti之间，如RTX 3060 Ti。
  12. M：移动版（笔记本），如RTX 4060 Laptop。
  13. LE/SE：简化版，如GT 1030 LE。

三、专业级显卡命名（Quadro/RTX系列）

  • 前缀：
  • RTX：专业光追显卡，如RTX 6000（Ada架构）。
  • Quadro：传统专业卡，如Quadro RTX 8000（Turing架构）。
  • 数字：性能等级，数字越大定位越高，如RTX 8000（旗舰级）。
  • 后缀：
  • S：小尺寸设计，如RTX 4000 SFF。
  • ADA：特定优化版本，如RTX 6000 Ada Generation。

四、数据中心显卡命名（Tesla/A/H/L系列）

  1. 字母（架构）：

  2. A：Ampere，如A100（旗舰级训练）。

  3. H：Hopper，如H100（AI计算）。
  4. L：Lovelace，如L4（推理优化）。
  5. T：Turing，如T4（中端推理）。

  6. 数字（层级）：

  7. 4：入门/低功耗，如L4（24GB显存）。

  8. 10：中端推理，如A10（24GB显存）。
  9. 40：高端图形，如L40（48GB显存）。
  10. 100：旗舰级，如A100（80GB显存）。

五、典型型号示例

  • GeForce RTX 4090：Ada架构，消费级旗舰，支持8K光追。
  • Quadro RTX 6000：Ada架构，专业图形渲染，48GB显存。
  • NVIDIA A100：Ampere架构，数据中心旗舰，80GB显存，适合大模型训练。
  • NVIDIA L4：Lovelace架构，24GB显存，专为AI推理优化。

性能层级

通常用数字表示，数字越大通常代表性能越强。

在同一微架构下，NVIDIA 会根据不同的市场定位和应用需求，推出多款不同性能层级的 GPU 产品，以满足各种计算负载的需求。这些不同的层级通常通过数字来区分，数字越大，代表该 GPU 的性能越强、价格越高，通常也意味着更高的功耗。

不同层级的 GPU 针对不同的计算负载进行了优化，以下是近年来一些常见层级的特点和应用场景：

“4” 系列：入门级或低功耗级

“4” 系列 GPU 通常是同代产品中体积最小、功耗最低的型号，其设计目标是在有限的功耗预算下提供足够的计算性能。这类 GPU 适合对性能要求不高、注重成本效益的应用场景，例如：

  • 轻量级的模型推理任务，例如图像分类、自然语言处理等。
  • 边缘计算设备或低功耗服务器。
  • 对成本敏感的应用部署。

“10” 系列：中端推理优化级

“10” 系列 GPU 通常是针对人工智能推理应用进行优化的中端产品。它们在性能、功耗和成本之间取得了较好的平衡，适合需要较高推理吞吐量和较低延迟的应用场景，例如：

  • 大规模的在线推理服务。
  • 视频分析和图像处理。
  • 实时语音识别和翻译。

“40” 系列：高端图形和虚拟工作站级

“40” 系列 GPU 通常是面向专业图形应用和虚拟工作站的高端产品。它们拥有强大的图形渲染能力和计算性能，适合对图形处理和计算性能要求较高的应用场景，例如：

  • 专业级图形设计和渲染。
  • 高性能计算可视化。
  • 虚拟桌面基础设施 (VDI)。

“100” 系列：旗舰级高性能计算和人工智能级

“100” 系列 GPU 是同代产品中性能最强、价格最高的旗舰级产品。它们拥有最多的内核数量、最大的显存容量和最高的内存带宽，专为处理最 demanding 的计算负载而设计，例如：

  • 大规模的模型训练和微调。
  • 高性能科学计算和模拟。
  • 超大规模数据中心部署。

GPU型号对比分析

示例一：T4 与 L4 的比较

L4 是 T4 的直接后继者，属于同一性能层级，针对相似的应用场景设计。然而，两者在微架构和技术规格上存在显著差异：

  • 微架构： L4 采用更新的 Ada Lovelace 架构（2023 年发布），而 T4 则采用较早的 Turing 架构（2018 年发布）。
  • 显存容量： L4 配备了更大的显存容量，达到 24 GB，而 T4 仅有 16 GB。
  • 核心数量和性能： L4 拥有更多且更强大的计算核心，因此在性能上优于 T4。

虽然两者的目标功耗相似，但 L4 凭借更先进的架构和更高的显存容量，在相同的功耗下能够提供更强的计算性能，更适合处理对显存容量有较高要求的任务。

示例二：A10 与 A100 的比较

A100 是基于 Ampere 架构的旗舰级产品，而 A10 则是该架构下的一个较低层级的型号。两者都基于相同的 Ampere 微架构，但在规模和性能上存在显著差异：

  • 核心数量和性能： A100 拥有远多于 A10 的计算核心，因此在计算性能上远超 A10。
  • 显存容量： A100 配备了更大的显存容量，以支持更大规模的模型训练和推理。
  • 功耗： 由于规模更大、性能更强，A100 的功耗也高于 A10。

因此，A100 更适合需要处理大规模模型训练、微调和高吞吐量推理等 demanding 计算任务的场景，而 A10 则更适合对成本和功耗敏感、对性能要求相对较低的应用场景。

示例三：K80 与 T4 的比较

比较不同架构和不同层级的 GPU 通常较为复杂。K80 采用了相对古老的 Kepler 架构（发布于十多年前），而 T4 则采用了更现代的 Turing 架构。

虽然 K80 拥有双 GPU 芯片，但由于架构的落后，其性能和能效比远不及 T4。因此，对于大多数现代机器学习任务而言，T4 不仅速度更快，而且由于功耗更低，每分钟运行成本也更低。这个例子也说明了架构的重要性，即使核心数量更多，落后的架构也可能导致性能不如新架构。

示例四：T4 与 A10 的模型服务能力比较

T4 和 A10 都属于针对推理优化的 GPU，但由于性能层级的不同，它们在模型服务能力上也存在差异。T4 适合服务中等规模的模型，例如图像分类、目标检测等。而 A10 则拥有更强的计算能力和更大的显存容量，可以服务更大规模的模型，例如大型语言模型 (LLM) 的推理。

通过以上示例，我们可以看到，结合 GPU 名称中的字母（架构）和数字（层级），可以有效地推断出该 GPU 的一些关键特性，并根据自身的需求选择合适的硬件。理解这些命名规则，有助于更好地理解 NVIDIA 的 GPU 产品线，并做出明智的购买决策。

总结

NVIDIA通过架构代号（科学家名）、前缀（产品线）、数字（代数与性能）及后缀（特性）构建了完整的命名体系，用户可根据型号快速判断GPU的定位、性能及适用场景。

参考