Tinygrad Tinybox را با یک CPU قدیمی EPYC با رم DDR4 بهروزرسانی میکند تا چهار AMD 9070XT را تغذیه کند - یک «کامپیوتر برای یادگیری عمیق» قیمتی 11000 دلاری دارد.
Tinybox پلتفرمهای DDR4 و DDR5، گزینههای گرافیکی انویدیا، ذخیرهسازی RAID اختیاری و خنککننده آب را با پیکربندیهای متناسب با حجمهای کاری یادگیری عمیق ارائه میدهد.
Tinybox جدید Tinygrad از چهار پردازنده گرافیکی AMD Radeon RX 9070 XT پشتیبانی می کند
پیکربندی چهار GPU قیمت ایستگاه کاری G4 را به 11000 دلار افزایش می دهد.
Tinygrad حافظه DDR4 و PCIe 4.0 را در پلتفرم G4 خود حفظ می کند Tinygrad یک ایستگاه کاری Tinybox بازطراحی شده را معرفی کرده است که حول یک پردازنده سرور ساخته شده است و قادر است چهار کارت گرافیک AMD Radeon RX 9070 XT را در خود جای دهد.
این دستگاه ترکیبی از خنک کننده آب، یک مادربرد درجه یک سرور و یک طرح داخلی جادار است که برای نیاز به حجم کاری یادگیری عمیق در نظر گرفته شده است.
پلت فرم استاندارد آن از حافظه DDR4 و PCIe 4.0 استفاده می کند، در حالی که یک پیکربندی جایگزین، حافظه و فناوری های اتصال جدیدتری را ارائه می دهد.
یک پلتفرم سرور قدیمیتر طراحی را تقویت میکند
پیکربندی استاندارد G4 از یک پردازنده 32 هسته ای AMD EPYC با 32 گیگابایت حافظه DDR4 و یک SSD بوت 1 ترابایتی استفاده می کند.
مادربرد آن شامل یک کنترل کننده مدیریت پایه است، در حالی که یک منبع تغذیه 1700 واتی از تنظیمات گرافیکی سخت سیستم پشتیبانی می کند.
این کنترلر همچنین دارای یک خروجی VGA است که به مدیران اجازه می دهد بدون استفاده از کارت های گرافیک نصب شده، صفحه نمایش را متصل کنند.
این سیستم همچنین شامل دو پورت شبکه 1GbE و یک رابط OCP 3.0 برای اتصال سخت افزار شبکه سازگار است.
ابعاد این محفظه 12 اینچ، ارتفاع 19.25 اینچ و عمق 18 اینچ و وزن آن 42 پوند است.
این اندازه شبیه یک رایانه شخصی دهه 2000 است، اما TinyCorps از این بعد در X دفاع میکند و میگوید: "همه چیز قدیمی دوباره جدید است. ما داریم وارد عصری میشویم که در آن برنامههایی وجود دارد که مردم میخواهند اجرا کنند اما نمیتوانند چون کامپیوترهایشان خیلی کوچک است."
محفظه جادار فضای زیادی بین کارتهای گرافیک ایجاد میکند و جریان هوای بهتری را برای خنک نگه داشتن آنها در زیر بارهای کاری سنگین فراهم میکند.
مشتریان همچنین می توانند پلتفرم G5 را انتخاب کنند که از نسل Genoa AMD استفاده می کند و از حافظه DDR5 در کنار اتصال PCIe 5.0 پشتیبانی می کند.
این شرکت مدل دقیق پردازنده را در مشخصات ارائه شده شناسایی نکرده است.
انتخابهای GPU و فضای ذخیرهسازی پیکربندی نهایی را تعیین میکنند
Tinygrad چهار کارت گرافیک AMD Radeon RX 9070 XT را در کنار جایگزین های Nvidia از جمله RTX 5090 و مدل های حرفه ای RTX 6000 ارائه می دهد.
این شرکت میگوید که خروجی صوتی بر انتخاب گرافیک آن تأثیر گذاشته و باعث شده است تا جایگزینهای خاصی را حذف کند، زیرا سیستمهای خنککننده آنها نویز بیشتری تولید میکنند.
برای حفظ سطح نویز زیر 50 دسی بل، Tinygrad فن های کم سرعت Noctua را با خنک کننده مایع برای پردازنده در داخل ایستگاه کاری ترکیب می کند.
دو برد مدار چاپی (PCB) در پایین سیستم، درایوهای ذخیرهسازی NVMe را به رابطهای MCIO متصل میکنند و از پیکربندی RAID اختیاری در دسترس مشتریان پشتیبانی میکنند.
قیمت پلت فرم G4 از 7000 دلار شروع می شود، در حالی که پیکربندی جدیدتر G5 12000 دلار قبل از انتخاب کارت گرافیک های اضافی، حافظه یا ارتقاء حافظه توسط خریداران هزینه دارد.
اضافه کردن چهار کارت Radeon RX 9070 XT 4000 دلار هزینه دارد و پیکربندی کامل G4 را قبل از انتخاب هر گونه ارتقاء اختیاری به 11000 دلار میرساند.
پیکربندیهای انویدیا شامل یک کارت RTX 5090 برای 8000 دلار اضافی، دو کارت RTX 5090 با قیمت 16000 دلار یا گزینههای RTX 6000 با قیمت جداگانه 19000 دلار و برای دو کارت 38000 دلار است.
حافظه را می توان با 3000 دلار اضافی از 32 گیگابایت به 128 گیگابایت ارتقا داد، در حالی که گزینه های ذخیره سازی شامل یک آرایه RAID 4 ترابایتی با قیمت 2000 دلار یا یک آرایه RAID 16 ترابایتی با قیمت 6000 دلار است.
پس از فراخوانی برای SRP نسبتا گران قیمت، سخنگوی این شرکت گفت: "ما قویا دیگران را تشویق می کنیم که با ما رقابت کنند."
Tinygrad هر ایستگاه کاری را به سفارش میسازد، با تحویل تخمینی بین یک تا هشت هفته پس از تکمیل فرآیند خرید.
متن اصلی (انگلیسی)
Tinygrad refreshes Tinybox with an 'old' EPYC CPU running DDR4 RAM to feed four AMD 9070XT — slaps a $11,000 price tag on a new 'computer for deep learning'
The Tinybox offers DDR4 and DDR5 platforms, Nvidia graphics options, optional RAID storage and water cooling, with configurations tailored to demanding deep-learning workloads.