إيماجينيشن تُطلق أول مقاييس أداء لسلسلة E‑Series GPU تُظهر تسريع AI للترقية وتسرّع ملء نماذج اللغة الكبيرة
أعلنت إيماجينيشن عن قدرة GPU E‑Series على رفع دقة الصورة إلى الضعف خلال 2.3 مللي ثانية وتسرّع ملء نماذج اللغة الكبيرة 4.7×، وفقًا لتقارير LeiPhone وJon Peddie Research.
كشفت إيماجينيشن عن أول بيانات قياس أداء متاحة للجمهور لمعالج الرسوميات القادم من سلسلة E‑Series. وقد قدمت النتائج من قبل مختبرات الاختبار المستقلة LeiPhone وJon Peddie Research، وركزت على ميزتين رئيسيتين: الترقيـة العصبية الفائقة (Neural Super Resolution – NSR) لتكبير الصور ومرحلة الملء المسبق (pre‑fill) لنماذج اللغة الكبيرة (LLMs) التي تعمل على نفس الشريحة.
تدعي تقنية NSR، التي تُسَمّها إيماجينيشن بـ Neural Super Resolution، أنها تضاعف دقة الصورة المصدر في 2.3 مللي ثانية فقط. تم أخذ القياس في ظروف محكومة باستخدام مجموعات اختبار LeiPhone وJon Peddie Research، التي طبقت عبء عمل قياسي لتكبير 4K إلى 8K. لم تُفصح أي بيانات توقيت أخرى أو أرقام مقارنة غير رقم 2.3 مللي ثانية.
وفي الوقت نفسه، تُظهر المقاييس أن خطوة الملء المسبق لنماذج اللغة الكبيرة—وهي عملية كثيفة الذاكرة تُحمِّل أوزان النموذج إلى ذاكرة GPU قبل الاستدلال—تُنفَّذ أسرع بـ 4.7 مرات على سلسلة E‑Series مقارنة بسلسلة D‑Series السابقة من إيماجينيشن. لاحظ كل من LeiPhone وJon Peddie Research نفس عامل التسريع عبر مجموعة من أحجام النماذج، رغم أن النماذج الدقيقة وتكوينات الدفعات لم تُذكر.
معمارية مسرّع المصفوفات
أحد العناصر الأساسية للرفع في الأداء هو تضمين مسرّع مصفوفات مخصص داخل GPU سلسلة E‑Series. يدعم المسرّع مجموعة من صيغ البيانات منخفضة الدقة، بما في ذلك MXFP8 وMXFP4 وBF16 وFP4. صُممت هذه الصيغ لتقليل عرض البت لعمليات التنسور، وبالتالي زيادة إنتاجية عمليات الضرب المصفوفي والأنوية الالتفافية التي تُهيمن على أعباء عمل AI.
تؤكد إيماجينيشن أن مسرّع المصفوفات مرتبط ارتباطًا وثيقًا بمحرك التظليل. من خلال دمج وحدة المصفوفات مباشرةً في خط أنابيب المُعالج المؤجل القائم على البلاط (TBDR)، يتم تقليل حركة البيانات بين مُصوِّر الرسوميات ووحدات الحوسبة الذكائية. تُنسب تحليلات LeiPhone إلى هذه التكاملية تحسينًا يصل إلى 39 % في كفاءة الطاقة، رغم أن منهجية القياس الدقيقة لم تُفصح.
كومة برمجيات موحدة
تدعي إيماجينيشن أيضًا أن سلسلة E‑Series يمكن برمجتها عبر كومة برمجيات واحدة تمتد عبر واجهات برمجة التطبيقات الرسومية التقليدية (OpenCL، Vulkan) وأطر عمل الذكاء الاصطناعي (Llama.cpp، ONNX، PyTorch). وت argue أن ذلك يقلل عدد السواقات المطلوبة ويقصر دورات التأهيل لمصممي الأنظمة على رقاقة (SoC) الذين يحتاجون إلى دعم كلٍ من العرض والـ AI على نفس الرقاقة.
تُصمم الكومة الموحدة لتبسيط التطوير للمنصات المدمجة حيث الذاكرة، الطاقة ومساحة السليكون شحيحة. عبر إعادة استخدام بنية السواق نفسها لكل من العرض والـ AI، قد يتجنب صانعو المعدات الأصلية (OEMs) صيانة مجموعات اختبار تحقق منفصلة للرسوميات ومسرّعات الشبكات العصبية.
فوائد النطاق الترددي والضغط
تُبرز إيماجينيشن أيضًا خصائص الضغط لنموذج NSR. وفقًا للشركة، يُضغط شبكة NSR إلى حوالي 65 % من حجمها الأصلي. يترجم هذا الضغط إلى خفض بنسبة 50 % في طلب النطاق الترددي للذاكرة مقارنةً بمسار العرض الأصلي الذي لا يستخدم NSR.
يُعَدّ انخفاض طلب النطاق الترددي أمرًا مهمًا خصوصًا للـ SoCs التي تستهدف شاشات عالية الدقة ولكنها مقيدة بحدود واجهة الذاكرة. تُدرج إيماجينيشن حدًا أقصى للنطاق الترددي للذاكرة يبلغ 768 جيجابايت/ثانية لمنصة E‑Series، لكنها تُشير إلى أن الأداء الفعلي سيعتمد على تخصيص هذا النطاق بين الرسوميات وأعباء AI.
في حين يُقلل الضغط من ضغط النطاق الترددي، تعترف إيماجينيشن بأن جودة الإطارات التي تُعالج عبر NSR تظل "قريبة من" جودة العرض الأصلي المرجعي. لم تُقدم أي مقاييس جودة كمية مثل PSNR أو SSIM في إصدار المقاييس.
القيود والمعمارية المتغايرة
تُظهر إيماجينيشن شفافية واضحة بأن GPU سلسلة E‑Series لا يحل محل وحدات المعالجة العصبية المخصصة (NPUs) لجميع مهام AI. قد تظل الأحمال التي تتطلب زمن استجابة منخفض جدًا أو عوامل تشغيل متخصصة للغاية أفضل أداءً على NPUs المصممة خصيصًا. لذا تُصنّف الشركة E‑Series كأحد مكوّنات نسيج حوسبة متغاير يشمل وحدات CPU، NPU ومسرّعات أخرى.
تشير وثائق المقاييس أيضًا إلى أن الأثر الواقعي سيعتمد على تبنِّي المهندسين للبرمجيات وتكوينات ذاكرة الـ SoC. على سبيل المثال، يُفترض تسريع الملء المسبق للـ LLM بمقدار 4.7× وجود نظام ذاكرة قادر على توفير النطاق الترددي المعلن 768 جيجابايت/ثانية. الأنظمة ذات النطاق الترددي الأقل قد تشهد تخفيضًا في الفوائد.
وبالمثل، تم قياس زمن ترقية NSR البالغ 2.3 مللي ثانية تحت ظروف اختبار مثالية. تُحذّر الوثائق من أن النشر الصناعي قد يواجه تباينًا بسبب نضوج السواق، خفض الحرارة الحراري، أو تكامل مع مكوّنات نظام أخرى.
- ترقية Neural Super Resolution تضاعف الدقة في 2.3 مللي ثانية
- ملء LLM مسبقًا أسرع بـ 4.7× مقارنةً بسلسلة D‑Series
- مسرّع المصفوفات يدعم MXFP8، MXFP4، BF16، FP4
- الكومة الموحدة تقلل عدد السواق عبر OpenCL، Vulkan، PyTorch
القائمة أعلاه تلخّص الأرقام الأربعة الرئيسية التي نشرتها إيماجينيشن ومختبرات الاختبار المستقلة. جميع الملاحظات الأخرى تبقى وصفية أو تُعبّر عن تحسينات نسبية دون أرقام مطلقة.
من منظور عملي، يجب على المؤسسات التي تقيم E‑Series للأجهزة المدمجة أو الطرفية موازنة التسريعات الموثقة مع عدم اليقين المذكور في تقرير المقاييس. تشير مكاسب كفاءة الطاقة المرتبطة بالعرض المؤجل وتكامل وحدة المصفوفات إلى انخفاض استهلاك الطاقة لكل إطار، ما قد يكون ذا قيمة للمنتجات التي تعمل على البطاريات.
مع ذلك، الاعتماد على كومة برمجيات موحدة يعني أن فرق التطوير ستحتاج إلى التحقق من التوافق مع سلاسل الأدوات الحالية. إذا كانت الشركة تستخدم بالفعل NPU مخصص للاستدلال الحرج زمنًا، فقد تُكمِل سلسلة E‑Series ذلك بدلاً من استبداله، مما يتطلّب تقسيمًا دقيقًا للعبء بين الوحدات.
يظل النطاق الترددي للذاكرة عاملًا حاسمًا. الأنظمة التي لا تستطيع توفير كامل 768 جيجابايت/ثانية قد لا تحقق تحسين كفاءة الطاقة بنسبة 39 % أو تسريع ملء LLM بمقدار 4.7×. لذا يجب على المصممين تقييم بنية الذاكرة مبكرًا في مرحلة تخطيط الـ SoC.
أخيرًا، لا تضمن بيانات المقاييس تبنيًا واسعًا في الصناعة. يتوجب على مورّدي البرمجيات دمج نموذج NSR الجديد وواجهات برمجة تطبيقات مسرّع المصفوفات في محركات العرض وأطر AI قبل أن يستفيد المستخدم النهائي. وحتى يحدث هذا الدمج، تظل الأرقام المذكورة سيناريوهات أفضل حالة تم رصدها في مختبرات محكمة.
المصادر
- Imagination E系列性能首秀：用AI把分辨率翻倍仅需2.3毫秒，Prefill性能提升4.7倍 | 雷峰网LeiPhone · ٢٨ سبتمبر ٢٠٢٦
- Imagination’s E-Series unifies graphics and AI – Jon Peddie ResearchJon Peddie Research · ٢١ سبتمبر ٢٠٢٦
