PCIe, SXM, HGX und DGX: Was ist der Unterschied zwischen den GPU-Serverplattformen und wann benötigt man welche?
PCIe, SXM, HGX oder DGX — welche GPU-Serverplattform passt 2026 zu Ihrer AI-Last? Wir erklären Formfaktor, OEM-Plattform und fertiges NVIDIA-System.
1, 2, 4 oder 8 GPUs in einem Server: So wählen Sie die optimale Konfiguration für LLM, Inferenz, Training und Rendering.
Wir vergleichen GPU-Server-Konfigurationen für reale Workloads: interne LLM-Assistenten, Multi-Modell-Inferenz, Fine-Tuning, Render-Farmen und VDI. So erkennen Sie, wann 8 GPUs wirklich nötig sind und wann 1–4 GPUs oder mehrere kleinere Server besser passen.
So lesen Sie die Spezifikationen von NVIDIA-Servergrafikkarten: CUDA, Tensor-Kerne, TFLOPS, Bus, Bandbreite und TDP
💡 Wählen Sie eine NVIDIA-Server-GPU nicht nur nach TFLOPS oder Speichergröße aus. Der Artikel zeigt, welche Kennzahlen 2026 für KI, Training, VDI, Rendering und wissenschaftliche Berechnungen wirklich zählen.
MIG auf NVIDIA A100/H100/H200: So teilen Sie eine einzelne Grafikkarte zwischen mehreren Aufgaben
⚙️ Eine leistungsstarke GPU soll mehrere Teams, Services oder Modelle bedienen? Dieser Leitfaden erklärt MIG verständlich — mit Profilen, Grenzen und Beispielen für A100, H100 und H200.
HBM vs. GDDR bei Server-Grafikkarten: Warum die A100/H100 den einen Speichertyp und die L40S/RTX PRO den anderen verwenden
🧠 HBM oder GDDR — worauf kommt es bei einer Server-GPU wirklich an? Anhand von NVIDIA A100, H100, L40S und RTX PRO zeigen wir, wann maximale Speicherbandbreite zählt und wann eine universellere GPU sinnvoller ist.
OEM, Original, NVL, Max-Q und Workstation Edition: Was bedeuten die Bezeichnungen der NVIDIA-GPUs?
⚡ OEM, Original, NVL, Max-Q und Workstation Edition wirken wie kleine Zusätze im Namen einer NVIDIA-GPU, können aber Stromversorgung, Kühlung, Kompatibilität und Garantie beeinflussen. Der Artikel zeigt, worauf Sie vor dem Kauf achten sollten.
NVIDIA H100, H200 und A100 für LLM: Vergleich von Speicher, Bandbreite und Anwendungsszenarien
Ein praxisnaher Vergleich für LLM-Infrastruktur: A100 für günstige Einstiege, H100 für Tempo und H200 für speicherintensive Modelle.
Wie viel Videospeicher wird für neuronale Netze benötigt: 16, 24, 48, 80 oder 96 GB
🧠 Wie viel Videospeicher braucht ein AI-Projekt? 16 GB für Tests, 48 GB als Arbeitsminimum oder 80–96 GB für Produktion und lange Kontexte – hier sind die wichtigsten Orientierungspunkte.
Eine Datenbank, zwei Workloads, viele Probleme: OLTP vs. OLAP P. 1
Eine praxisnahe Analyse, die zeigt, wie sich Datenbankarchitekturen unter realen Lasten verhalten – und wie eine falsche Entscheidung Datenwachstum unbemerkt in eine Belastung verwandeln kann.