关注“FightingCV”公众号
回复“AI”即可获得超100G人工智能的教程
据知名爆料者「kopite7kimi」透露，GeForce Blackwell GPU的功耗将大幅提升——所有SKU的功耗都会有所增加，高端SKU增加得更多。随后，社区的进一步公开讨论和询问也促使Kopite7kimi确认了旗舰型号的数字。据称，RTX 5090的功耗高达600瓦——相较于RTX 4090显著增加了150瓦。而RTX 5080预计为400瓦——比RTX 4080（及其SUPER版本，后者需要相同的功率）多80瓦。值得注意的是，「kopite7kimi」并未明确说明这个「功耗」是指TDP（热设计功耗）还是TGP（总图形功耗）。根据目前RTX 40「Ada」GPU的表现，TDP评级并不能反映游戏场景中的实际功耗。RTX 4070 SUPER的功耗为200W，RTX 4080 SUPER为250-280W，而RTX 4090大多在400W左右。但只有在光线追踪和GPU负载较重的基准测试等少数情况下，显卡的功耗才会接近其实际TDP。相比之下，TGP可以根据SKU有所不同，并且可以手动调整。在RTX 4090发布之前，也有类似的传闻。根据后来的信息证实，这些数字与TGP相关，而不是TDP。不过，英伟达也可能会维持与40系差不多的TGP，将真正高功耗留给出厂超频的AIB卡。
消费级显卡TGP的增加，通常源于数据中心和AI GPU的进步。虽然消费级显卡并不会像这些数据中心芯片那样强大——Hopper H100/H200耗电高达700瓦，但它们通常也采用类似的架构。在没有重大制程节点技术提升的情况下，如果基于Blackwell芯片的AI和数据中心GPU将增加功耗，那么消费级显卡的功耗也会随之提升。除了功耗的提升之外，据VideoCardz报道，RTX 5080的性能甚至比RTX 4090提高了10%。但并没有具体说明这种提升是指整体、光栅还是光线追踪性能。如果是和总处理能力（TPP）有关的话，怕不是要从80就开始推出RTX 5080D了……至于RTX 5090，则有传言称将配备24GB GDDR7内存，采用448位内存总线，核心为GB202。上市时间可能是2024年第四季度，或者2025年第一季度，也就是在CES大会上。
随着CES的临近，关于AMD全新RDNA4架构的传闻也多了起来。比如微博大V「金猪升级包」表示，AMD下一代GPU的定位和RDNA1系列（Radeon RX 5000）差不多。此外，还有传言称，AMD放弃了高端Navi 41 GPU的计划，目前仅剩下较低端的Navi 48和Navi 44。一些报告则声称，Navi 48可能会在明年的CES上率先推出，而Navi 44可能会在第二季度出现。根据VideoCardz的报道，目前可以确认的是——已经出现在发货清单中的Navi 44 XL，和正在研发的Navi 48 XTX。![]()
消费级显卡方面，AMD通常会为桌面级提供三种GPU变体：XTX、XT和XL。其他诸如XTXH和XTGL等型号，则被用于移动和工作站系列。其中，XTX变体通常是性能最强的完整版本，尽管根据GPU的不同，它可能与XT变体具有相同的规格。而XL基本上对应的就是精简版。比如基于Navi 32的Radeon RX 7800 XT（使用Navi 32 XT）和RX 7700 XT（使用Navi 32 XL），以及使用Navi 33 XT和XL变体的非XT显卡。然而，也有例外，例如RX 7600配置，主要区别在于功耗限制，而核心和内存总线相同。综合现有的信息，RDNA4家族将会包括RX 8800、8700和8600 SKU。Navi 44 XL可能是RX 8600的非XT变体。https://videocardz.com/newz/nvidia-geforce-rtx-5090-reportedly-targets-600w-rtx-5080-aims-for-400w-with-10-performance-increase-over-rtx-4090https://videocardz.com/newz/amd-navi-44-xl-new-rdna4-gpu-spotted-in-shipping-manifest往期回顾
基础知识
【CV知识点汇总与解析】|损失函数篇
【CV知识点汇总与解析】|激活函数篇
【CV知识点汇总与解析】| optimizer和学习率篇
【CV知识点汇总与解析】| 正则化篇
【CV知识点汇总与解析】| 参数初始化篇
【CV知识点汇总与解析】| 卷积和池化篇 （超多图警告）
【CV知识点汇总与解析】| 技术发展篇 (超详细！！！)
最新论文解析
NeurIPS2022 Spotlight | TANGO：一种基于光照分解实现逼真稳健的文本驱动3D风格化
ECCV2022 Oral | 微软提出UNICORN，统一文本生成与边框预测任务
NeurIPS 2022 | VideoMAE：南大&腾讯联合提出第一个视频版MAE框架，遮盖率达到90%
NeurIPS 2022 | 清华大学提出OrdinalCLIP，基于序数提示学习的语言引导有序回归
SlowFast Network：用于计算机视觉视频理解的双模CNN
WACV2022 | 一张图片只值五句话吗？UAB提出图像-文本匹配语义的新视角！
CVPR2022 | Attention机制是为了找最相关的item？中科大团队反其道而行之！
ECCV2022 Oral | SeqTR：一个简单而通用的 Visual Grounding网络
如何训练用于图像检索的Vision Transformer？Facebook研究员解决了这个问题！
ICLR22 Workshop | 用两个模型解决一个任务，意大利学者提出维基百科上的高效检索模型
See Finer, See More！腾讯&上交提出IVT，越看越精细，进行精细全面的跨模态对比！
MM2022｜兼具低级和高级表征，百度提出利用显式高级语义增强视频文本检索
MM2022 | 用StyleGAN进行数据增强，真的太好用了
MM2022 | 在特征空间中的多模态数据增强方法
ECCV2022|港中文MM Lab证明Frozen的CLIP 模型是高效视频学习者
ECCV2022｜只能11%的参数就能优于Swin，微软提出快速预训练蒸馏方法TinyViT
CVPR2022|比VinVL快一万倍！人大提出交互协同的双流视觉语言预训练模型COTS，又快又好！
CVPR2022 Oral｜通过多尺度token聚合分流自注意力，代码已开源
CVPR Oral | 谷歌&斯坦福（李飞飞组）提出TIRG，用组合的文本和图像来进行图像检索
