Für eine bestehende Infrastruktur kann die Hopper-Architektur geeignet sein, insbesondere der H100, wenn 640 GB GPU-Speicher ausreichen. Andernfalls bewältigt der H200 große Modelle, lange Kontexte und einen umfangreichen KV-Cache besser. DGX B200 ist der ausgewogenste Umstieg auf Blackwell für Training, Fine-Tuning und produktive Inferenz. DGX B300 wird dort benötigt, wo 288 GB pro GPU, Reasoning-Modelle und eine hohe Zahl gleichzeitiger Workloads entscheidend sind. Die Vorteile der leistungsstärksten Systeme kommen jedoch nur dann zum Tragen, wenn Netzwerk, Stromversorgung, Kühlung, Speicher und natürlich das Betriebsteam darauf vorbereitet sind.
NVIDIA DGX servers
Vier DGX-Server und drei Entwicklungsstufen
DGX H100 und H200 gehören zur Hopper-Generation. Beide Server enthalten acht Beschleuniger, die über NVLink und NVSwitch verbunden sind, doch der H200 verfügt über deutlich mehr HBM3e-Speicher. Der Wechsel vom H100 zum H200 löst daher vor allem Einschränkungen bei Modellgröße und Speicherbandbreite, ohne die gesamte Architektur zu verändern.
DGX B200 markiert den Übergang zu Blackwell: mehr Speicher, NVLink/NVSwitch der fünften Generation und Hardwareunterstützung für FP4. DGX B300 nutzt Blackwell Ultra. Der wichtigste Unterschied zum B200 sind 288 GB Speicher pro GPU statt 180 GB sowie eine höhere dichte FP4-Leistung und Netzwerkverbindungen mit bis zu 800 Gbit/s pro Adapter.
DGX B200 und B300 nicht mit NVL72 verwechseln
DGX B200 und B300 sind eigenständige 10U-Server mit acht Beschleunigern. DGX GB200 NVL72 und GB300 NVL72 sind Rack-Scale-Systeme mit Dutzenden Beschleunigern und einer anderen Verbindungsarchitektur. Ihre Benchmark-Ergebnisse, ihr Stromverbrauch und ihre Netzwerkanforderungen lassen sich nicht automatisch auf einen einzelnen DGX übertragen.
Wichtige technische Daten
| Parameter | DGX H100 | DGX H200 | DGX B200 | DGX B300 |
|---|---|---|---|---|
| Architektur | Hopper | Hopper | Blackwell | Blackwell Ultra |
| GPU | 8 × H100 SXM | 8 × H200 SXM | 8 × B200 SXM | 8 × B300 SXM |
| Speicher pro GPU | 80 GB | 141 GB | 180 GB | 288 GB |
| Gesamter GPU-Speicher | 640 GB | 1.128 GB | 1.440 GB | 2.304 GB |
| FP8 | etwa 32 PFLOPS mit Sparsity | etwa 32 PFLOPS mit Sparsity | 72 PFLOPS mit Sparsity | 72 PFLOPS mit Sparsity |
| FP4 | kein natives Blackwell-FP4 | kein natives Blackwell-FP4 | 144/72 PFLOPS, Sparse-/Dense-Modus | 144/108 PFLOPS, Sparse-/Dense-Modus |
| GPU-Verbindung | NVLink/NVSwitch 4 | NVLink/NVSwitch 4 | NVLink/NVSwitch 5 | NVLink/NVSwitch 5 |
| Clusternetzwerk | bis zu 8 × 400 Gbit/s | bis zu 8 × 400 Gbit/s | bis zu 8 × 400 Gbit/s | bis zu 8 × 800 Gbit/s |
| Arbeitsspeicher | 2 TB | 2 TB | 2 TB, bis zu 4 TB | 2 TB, bis zu 4 TB |
| Höhe | 8U | 8U | 10U | 10U |
| Maximale Leistungsaufnahme | 10,2 kW | 10,2 kW | 14,3 kW | bis zu 15 kW |
Petaflops dürfen nicht als einfache Rangliste verwendet werden. FP8 und FP4 sind unterschiedliche Formate, während Werte mit Sparsity nur bei einer geeigneten Datenstruktur und entsprechender Softwareunterstützung erreichbar sind. B200 und B300 liefern beispielsweise beide 144 PFLOPS FP4 mit Sparsity, im dichten Modus liegen die Werte jedoch bei 72 beziehungsweise 108 PFLOPS.
Die Kapazität des B300 wird teilweise mit 2,1 oder 2,3 TB angegeben. Die exakte physische Kapazität beträgt acht Module mit jeweils 288 GB, also 2.304 GB; die Abweichung entsteht durch Rundung und unterschiedliche Methoden zur Umrechnung der Einheiten.
Was sich von Hopper bis Blackwell Ultra geändert hat
Der Speicher pro GPU ist wichtiger als die Gesamtsumme
Der Speicher von acht Beschleunigern wird nicht zu einem vollständig transparenten gemeinsamen Pool. Das Modell wird auf die GPUs verteilt, und die Daten werden über NVLink und NVSwitch übertragen. Deshalb helfen 288 GB auf jeder B300-GPU dabei:
- große Schichten und Experten ohne übermäßige Aufteilung zu platzieren;
- Tensorparallelität und die Zahl der Datenaustauschvorgänge zu reduzieren;
- mehr Platz für KV-Cache und Puffer freizuhalten;
- mehrere Modellinstanzen oder Adapter auszuführen;
- die Speicherfragmentierung zu verringern.
In solchen Szenarien kann die Kapazität eines einzelnen Beschleunigers wichtiger sein als die maximale Rechenleistung des gesamten Systems.
FP4 beschleunigt nicht jedes Modell
BF16, FP16 und FP8 bleiben für das Training wichtig. FP4 in Blackwell ist vor allem auf leistungsstarke Inferenz und ausgewählte Trainingsoperationen ausgerichtet. Für die Nutzung sind korrekt quantisierte Gewichte, eine kompatible Engine und eine Prüfung der Ergebnisqualität erforderlich.
Eine geringere Präzision kann die Qualität der Generierung oder die Funktionsweise einzelner Schichten beeinträchtigen. H200 und B300 dürfen daher nicht allein anhand der FP4-Leistung verglichen werden.
Das B300-Netzwerk erfordert eine neue Infrastruktur
B300 verwendet acht ConnectX-8-Adapter mit bis zu 800 Gbit/s. Das ist für verteiltes Training und die Bereitstellung von Modellen auf mehreren Knoten relevant, bringt in einer älteren 400-Gbit/s-Fabric jedoch keinen Vorteil. Der Umstieg kann neue Switches, Optik, Kabel, RDMA-Konfigurationen und schnelleren Speicher erfordern.
Wie viel Speicher ein LLM tatsächlich benötigt
Für eine erste Schätzung des Speicherbedarfs der Gewichte kann folgende Näherung verwendet werden:
- BF16 oder FP16 — etwa 2 Byte pro Parameter;
- FP8 oder INT8 — etwa 1 Byte pro Parameter;
- 4-Bit-Speicherung — etwa 0,5 Byte pro Parameter.
Ein Modell mit 70 Milliarden Parametern benötigt in BF16 allein für die Gewichte ungefähr 140 GB, während ein Modell mit 400 Milliarden Parametern etwa 800 GB benötigt. Der tatsächliche Verbrauch ist aufgrund von Metadaten, Ausrichtung und Arbeitsbereichen der Bibliotheken höher.
Die Größe der Modelldatei ist nicht die vollständige Berechnung
Während der Inferenz wird Speicher außerdem belegt durch:
- den KV-Cache für bereits verarbeitete Token;
- den Eingabe- und generierten Kontext;
- gleichzeitige Sequenzen;
- temporäre Tensoren und CUDA-Puffer;
- Batch-Verarbeitung;
- LoRA-Adapter;
- Reserven des Orchestrierungssystems.
Der KV-Cache wächst bei langen Kontexten und vielen Nutzern schnell. Ein Modell kann daher in einem Einzeltest funktionieren, eine Produktionslast aber nicht dauerhaft bewältigen.
Fine-Tuning benötigt mehr Speicher
Beim vollständigen Fine-Tuning müssen Gewichte, Gradienten, Aktivierungen und Zustände des Optimierers gespeichert werden. Der gesamte Speicherbedarf ist um ein Vielfaches größer als der der Gewichte allein. LoRA und QLoRA reduzieren die Anforderungen, weil nur kleine zusätzliche Matrizen trainiert werden, während das Basismodell mit geringerer Präzision gespeichert werden kann.
Die Aussage „Das Modell passt auf den H200“ bedeutet nicht, dass darauf ein vollständiges Fine-Tuning möglich ist. Zusätzlich müssen Sequenzlänge, Batch-Größe, Optimierungsmethode und die Verteilung auf die GPUs berücksichtigt werden.
DGX für das Training großer Modelle
H100 und H200
Hopper eignet sich, wenn das Unternehmen bereits kompatible CUDA-Versionen, Container und Bibliotheken verwendet. Die Erweiterung eines bestehenden Clusters ist in der Regel einfacher, als Beschleuniger, Netzwerk und Softwareumgebung gleichzeitig auszutauschen.
H200 ist dem H100 vorzuziehen, wenn:
- das Modell nicht in 80 GB auf einer GPU passt;
- die Batch-Größe reduziert werden muss;
- lange Sequenzen zu viel Speicher belegen;
- Daten häufig in den Arbeitsspeicher ausgelagert werden;
- mehr Reserve für Aktivierungen erforderlich ist.
Wenn die Workload sicher in 640 GB passt und gut skaliert, kann sich der Austausch des H100 allein wegen der neueren Generation nicht lohnen.
B200 und B300
B200 eignet sich für einen neuen universellen Cluster, der Training, Fine-Tuning und Inferenz kombiniert. Er ist eine sinnvolle Wahl, wenn das Unternehmen bereit ist, den Software-Stack zu aktualisieren, aber noch keine 288 GB pro GPU benötigt.
B300 ist für Modelle mit langem Kontext, große Mixture-of-Experts-Modelle und vollständiges Fine-Tuning gerechtfertigt. Besonders hilfreich kann er sein, wenn der zusätzliche Speicher ermöglicht, das Modell auf weniger Knoten auszuführen oder den Parallelisierungsgrad zu reduzieren.
Beim Training über mehrere Knoten können Netzwerk, das Lesen des Datensatzes, kollektive Operationen oder das Schreiben von Checkpoints zum Engpass werden. Wenn GPUs im Leerlauf auf Daten warten, führt der Wechsel vom B200 zum B300 nicht zu einer proportionalen Beschleunigung.
LoRA, QLoRA und vollständiges Fine-Tuning
Für LoRA und QLoRA reichen H100 oder H200 häufig aus. H200 ist bei einem großen Modell, langem Kontext, mehreren Adaptern und einer größeren Batch-Größe komfortabler.
B200 eignet sich besser für eine Umgebung mit mehreren Projekten: Der zusätzliche Speicher ermöglicht mehr parallele Experimente und reduziert die Auslagerung in den Arbeitsspeicher. B300 wird benötigt, wenn die Workload Folgendes erfordert:
- vollständiges Fine-Tuning großer LLMs;
- mehrere anspruchsvolle Experimente gleichzeitig;
- die maximale Sequenzlänge;
- große Batch-Größen;
- weniger Knoten pro Workload.
Bei geringer Auslastung amortisiert sich der Vorteil des B300 nicht. Mehrere günstigere Server lassen sich mitunter leichter auf Teams verteilen und vereinfachen Redundanz und Fehlertoleranz.
Welcher DGX für Inferenz geeignet ist
Die Modellinferenz besteht aus zwei Phasen. Zunächst verarbeitet der Server die gesamte Eingabe; anschließend werden die Antwort-Token nacheinander erzeugt. Die erste Phase hängt stärker von der Rechenleistung und der Länge der Eingabe ab, die zweite von der Speicherbandbreite und der Kapazität des KV-Caches.
Eine einzelne Angabe zu Token pro Sekunde reicht daher nicht aus. Für einen produktiven Dienst sind wichtig:
- die Zeit bis zum ersten Token;
- die Latenz zwischen aufeinanderfolgenden Token;
- die Zahl gleichzeitiger Anfragen;
- die Länge von Eingabe und Ausgabe;
- die Stabilität bei Spitzenlast.
H100 im Vergleich zum H200
H100 eignet sich für kleine und mittelgroße Modelle, moderate Kontexte und eine bereits bestehende Infrastruktur. H200 ist besser, wenn der KV-Cache wächst, die Zahl gleichzeitiger Sequenzen steigt oder das Modell zu stark auf mehrere GPUs aufgeteilt werden muss.
Da beide Systeme zur Hopper-Generation gehören, kann der Wechsel zum H200 die Kapazität erhöhen, ohne die Softwareumgebung vollständig auszutauschen.
B200 im Vergleich zum B300
B200 ist eine ausgewogene Blackwell-Plattform für Inferenz mit hohem Durchsatz und gemischte Workloads. B300 wird wertvoll, wenn gleichzeitig ein großes Modell, ein langer Kontext und viele Nutzer vorhanden sind. Das ist typisch für Reasoning-Modelle und KI-Agenten mit langen Handlungsketten.
Der zusätzliche Speicher kann einen größeren KV-Cache aufnehmen und die Aufteilung des Modells reduzieren. Das Ergebnis hängt jedoch von Inferenz-Engine, Quantisierung und Bibliotheken ab: Ein alter Container nutzt die Vorteile von Blackwell Ultra möglicherweise nicht.
RAG und KI-Agenten
RAG umfasst die Erstellung von Embeddings, die Abfrage einer Datenbank, Reranking, Kontextzusammenstellung und Generierung. Hinzukommen können Tool-Aufrufe und wiederholte Reasoning-Schleifen.
Die GPU beschleunigt die Generierung und einen Teil des Rerankings, die Latenz kann jedoch durch CPU, RAM, NVMe, Netzwerk oder Datenbank bestimmt werden. Eine langsame Suche wird durch den Austausch des H200 gegen einen B300 nicht schneller.
H100/H200 eignen sich für ausgereifte RAG-Systeme mit kontrollierter Last. B200 passt besser zu einer neuen Produktionsplattform, auf der Generierung und Fine-Tuning zusammen ausgeführt werden. B300 ist bei langen Kontexten, vielen Agenten und einer großen Zahl gleichzeitiger Abläufe nützlich.
Die DGX-CPUs sind an Datenvorbereitung und Ein-/Ausgabe beteiligt. Diese Vorgänge ähneln den Workloads, die Intel-Xeon-Server verarbeiten. Daher darf die CPU nicht als zweitrangige Komponente einer RAG-Plattform betrachtet werden.
Mehrbenutzer-KI-Labor
In einem Labor ist die produktive Auslastung wichtiger als die Rekordleistung eines einzelnen Modells. Ressourcen werden über Container, Slurm oder Kubernetes zugewiesen; unterstützte MIG-Modi ermöglichen die Aufteilung von GPUs in isolierte Recheninstanzen.
Zu berücksichtigen sind Speichergrenzen, Jobprioritäten, Dauer der Experimente, Konkurrenz um NVMe- und Netzwerkressourcen sowie die tatsächlich genutzten GPU-Stunden.
B300 ist praktisch, wenn mehrere Teams regelmäßig große Modelle ausführen. Bei unregelmäßigem Bedarf können mehrere H100/H200-Systeme oder sogar weniger dichte klassische GPU-Server zweckmäßiger sein: Projekte beeinträchtigen sich weniger gegenseitig, und der Ausfall eines Knotens stoppt nicht das gesamte Labor.
Ein DGX oder ein Cluster
Ein einzelner Server ist einfacher bereitzustellen und zu warten. Er eignet sich für ein großes Modell oder eine Trainings-Workload, die in den Speicher des Knotens passt. Internes NVLink ermöglicht eine schnelle Kommunikation ohne externes Netzwerk.
Einschränkungen eines einzelnen DGX:
- Wartung erfordert das Anhalten oder Verschieben der Workload;
- ein Ausfall betrifft alle darauf betriebenen Modelle;
- die Spitzenkapazität ist auf ein System begrenzt;
- Verarbeitungsphasen können nicht unabhängig skaliert werden.
Ein Cluster ermöglicht Replikate, verteiltes Training und die Trennung von Eingabeverarbeitung und Generierung. Dafür sind Lastverteilung, gemeinsamer Speicher und InfiniBand oder Ethernet mit RDMA erforderlich.
Eine Verdopplung der Serverzahl verdoppelt die Leistung nur selten: Ein Teil der Zeit wird für Synchronisierung und Tensoraustausch benötigt. Die Effizienz hängt vom Modell, der Parallelisierungsstrategie und der Netzwerktopologie ab.
Stromversorgung, Kühlung und Aufstellung
DGX H100/H200 belegen 8U und verbrauchen bis zu 10,2 kW. B200/B300 belegen 10U; ihre maximale Leistungsaufnahme beträgt 14,3 beziehungsweise 15 kW. Bei der Rack-Planung sind zu berücksichtigen:
- verfügbare Leistung und Reservekapazität;
- Verteilung auf PDUs und Phasen;
- die Zahl der Stromanschlüsse;
- Wärmedichte und Luftstrom;
- Temperatur der Zuluft;
- Gewicht der Geräte.
Vier B300-Systeme belegen physisch 40U, ihre maximale Last nähert sich jedoch bereits ohne Netzwerk und Speicher 60 kW. Freier Rack-Platz allein reicht nicht aus, wenn der Standort diese Wärmemenge nicht abführen kann.
B300 ist mit PDU-Anschluss oder Gleichstrom-Sammelschienenanschluss erhältlich. Die Version mit Netzteilen verwendet zwölf Module mit N+N-Redundanz. Das System wiegt mit Netzteilen etwa 168 kg, weshalb geeignete Schienen und Hebevorrichtungen für die Installation erforderlich sind.
Wo Leistung verloren geht: Netzwerk und Speicher
Das externe Netzwerk wird entscheidend, wenn Training oder Modell auf mehrere DGX-Systeme verteilt sind. B300 bietet bis zu acht Verbindungen mit 800 Gbit/s, benötigt dafür aber kompatible Switches, Kabel und Konfigurationen. In einer 400-Gbit/s-Fabric bleiben einige Funktionen von ConnectX-8 ungenutzt.
Der Speicher muss Datensätze, Modellversionen, Checkpoints, Protokolle, Wissensdatenbanken und Sicherungen bereitstellen. Lokale DGX-NVMe-Laufwerke eignen sich als schneller Cache, ersetzen jedoch keinen gemeinsamen fehlertoleranten Speicher mit ausreichender Leistung sowohl im Speichersystem selbst als auch im Zugriffsnetzwerk.
Wenn Daten langsam gelesen werden oder Checkpoints das Training längere Zeit blockieren, bleiben die GPUs ungenutzt. Netzwerk und Speicher müssen daher gemeinsam mit den Rechenknoten dimensioniert werden und nicht erst nach deren Kauf.
Kompatibilität des Software-Stacks
Hopper ist aufgrund ausgereifter Treiber, fertiger Container und Bibliotheken attraktiv. Das reduziert das Migrationsrisiko, insbesondere bei eigenen CUDA-Erweiterungen.
Für Blackwell und Blackwell Ultra ist Folgendes zu prüfen:
- CUDA- und Treiberversionen;
- Container-Images;
- Bibliotheken für verteiltes Rechnen;
- Unterstützung für FP4 und FP8;
- eigene Compute-Kernel;
- Inferenz-Engine und Orchestrierung.
Kompatibilität bedeutet nicht gleiche Effizienz. Eine Anwendung kann auf B300 laufen, ohne FP4, Verbesserungen der Attention-Engine oder ein optimales Kommunikationsschema zu verwenden. Verglichen werden sollte der vollständige Ablauf: Laden des Modells, Latenz, Generierungsgeschwindigkeit, Speicherverbrauch und Skalierung.
Gesamtbetriebskosten
Neben dem Server umfasst das Projekt Netzwerk, Optik, PDUs, Aufrüstung der Stromversorgung, Kühlung, Racks, Speicher, Support, Stromkosten und die Arbeit des Betriebsteams.
Plattformen sollten nicht nur nach dem Kaufpreis, sondern auch nach den Betriebskosten verglichen werden. Geeignete Kostenkennzahlen sind:
- eine Stunde tatsächlicher GPU-Auslastung;
- ein Trainingszyklus;
- eine Million Token bei vorgegebener Latenz;
- die Bedienung der erforderlichen Nutzerzahl;
- Schulung des Teams;
- Ausfallzeit und Wiederherstellung nach einem Fehler.
B300 kann wirtschaftlicher sein, wenn er mehrere Knoten ersetzt oder die Kommunikation zwischen Servern reduziert. Bei einer Auslastung von 20–30 % decken die zusätzlichen Funktionen möglicherweise jedoch nicht die Kosten der neueren Plattform. Das ist keine allgemeingültige Grenze, sondern ein Grund, das Workload-Profil im Voraus zu messen.
Wann ein anderer GPU-Server die bessere Wahl ist
DGX ist eine integrierte Plattform mit festgelegter GPU-Topologie, Netzwerk, Software-Stack und NVIDIA-Support. Ein anderer Server kann wirtschaftlicher sein, wenn keine maximale Leistung pro Knoten erforderlich ist, aber zusätzliche Laufwerke, eine andere GPU-Kombination, spezielle CPUs, ein nicht standardmäßiges Netzwerk oder die Integration in einen bestehenden Bestand benötigt werden.
Für solche Projekte kommen Dell-Server für KI infrage. Konfigurationen mit acht NVIDIA B300, acht B200 oder acht H200 sind verfügbar. Verglichen werden sollten GPU-Topologie, Speicher, Netzwerk, Zertifizierung und Support und nicht nur das Beschleunigermodell.
DGX-Auswahl nach Workload
| Szenario | Bevorzugte Option | Warum |
|---|---|---|
| Erweiterung eines Hopper-Clusters | H100/H200 | Weniger Änderungen an Software- und Netzwerkumgebung |
| H100 bietet nicht genügend Speicher | H200 | 141 GB pro GPU und 1.128 GB pro Server |
| LoRA und QLoRA | H200 oder B200 | Ausreichende Reserve, ohne dass B300 erforderlich ist |
| Vollständiges Fine-Tuning eines großen LLM | B200 oder B300 | Mehr Speicher für Gradienten und Optimiererzustände |
| Neuer universeller Cluster | B200 | Ausgewogener Übergang zu Blackwell |
| Langer Kontext und großer KV-Cache | H200, B200 oder B300 | Die Wahl hängt vom Modell und von der Nutzerzahl ab |
| Reasoning-Modelle und KI-Agenten | B300 | 288 GB pro GPU und mehr Platz für Sequenzen |
| Inferenz mit hoher Last | B200 oder B300 | FP4 mit optimiertem Software-Stack |
| Mehrbenutzer-Labor | H200 oder B200 | Ausgewogenes Verhältnis von Speicher, Reifegrad und Kosten |
| Begrenzte Rack-Leistung | H100 oder H200 | Geringere maximale Last |
Die Tabelle bietet eine Orientierung, ersetzt aber nicht das Testen des Modells mit dem erwarteten Kontext, der Batch-Größe, der Nutzerzahl und den Latenzanforderungen.
Häufige Fehler beim Vergleich
- FP4, FP8 sowie Dense- und Sparse-Modi als gleichwertige Kennzahlen zu behandeln.
- Den Gesamtspeicher zu bewerten, ohne die Kapazität pro GPU zu berücksichtigen.
- Nur die Gewichte zu berechnen und KV-Cache, Aktivierungen und Puffer zu vergessen.
- Werte von NVL72 auf einen einzelnen DGX zu übertragen.
- Token pro Sekunde zu betrachten, ohne die Zeit bis zum ersten Token einzubeziehen.
- Eine lineare Beschleunigung durch einen zweiten Knoten zu erwarten.
- 800-Gbit/s-Adapter ohne passende Fabric zu kaufen.
- Stromversorgung und Kühlung des Racks zu ignorieren.
- Die Blackwell-Unterstützung im Software-Stack nicht zu prüfen.
- B300 für eine Workload zu wählen, die durch CPU, Netzwerk oder Speicher begrenzt ist.
Welcher NVIDIA DGX ist die richtige Wahl?
Bildquelle: NVIDIA
DGX H100 eignet sich für eine ausgereifte Hopper-Infrastruktur und Workloads, für die 640 GB GPU-Speicher ausreichen. H200 ist innerhalb der Hopper-Generation die beste Option für große Modelle, lange Kontexte und einen großen KV-Cache. B200 ist der wichtigste Einstiegspunkt in Blackwell und eignet sich für die meisten neuen Cluster mit gemischten Workloads. B300 sollte für maximale Speicherreserven, Reasoning-Modelle, vollständiges Fine-Tuning und eine hohe gleichzeitige Nachfrage gewählt werden.
Die Auswahl beginnt mit Modellgröße, Präzision der Gewichte, Anforderungen an den KV-Cache, Kontextlänge, Nutzerzahl und Fine-Tuning-Methode. Anschließend werden Netzwerk, Speicher, Stromversorgung, Kühlung und Auslastung bewertet. Diese Berechnung zeigt, ob die neue Generation einen echten Vorteil bringt oder lediglich teure ungenutzte Kapazität hinzufügt.
Inhaltsverzeichnis:
