Imagination präsentiert erste E‑Series‑GPU‑Benchmarks: KI‑Upscaling in 2,3 ms und 4,7‑fach schnellere LLM‑Prefill‑Phase

Imagination hat die ersten öffentlich verfügbaren Benchmark‑Daten für seinen kommenden E‑Series‑Grafikprozessor veröffentlicht. Die Ergebnisse, bereitgestellt von den unabhängigen Testhäusern LeiPhone und Jon Peddie Research, konzentrieren sich auf zwei Schlagzeilen‑Features: Neural Super Resolution (NSR) für Bild‑Upscaling und die Prefill‑Phase großer Sprachmodelle (LLMs), die auf demselben Silizium läuft.

Die NSR‑Technologie, von Imagination als Neural Super Resolution bezeichnet, behauptet, die Auflösung eines Quellbildes in nur 2,3 Millisekunden zu verdoppeln. Die Messung wurde unter kontrollierten Bedingungen mit den Test‑Suites von LeiPhone und Jon Peddie Research durchgeführt, die einen standardisierten 4K‑zu‑8K‑Upscaling‑Workload anwendeten. Weitere Zeitangaben oder Vergleichszahlen wurden über die 2,3‑ms‑Zahl hinaus nicht veröffentlicht.

Parallel dazu zeigen die Benchmarks, dass der Prefill‑Schritt für große Sprachmodelle – ein speicherintensiver Vorgang, der Modellgewichte vor der Inferenz in den GPU‑Speicher lädt – auf der E‑Series 4,7 mal schneller ist als auf Imaginations vorheriger D‑Series‑Generation. Sowohl LeiPhone als auch Jon Peddie Research beobachteten denselben Beschleunigungsfaktor über eine Reihe von Modellgrößen, obwohl die genauen Modelle und Batch‑Konfigurationen nicht aufgeführt wurden.

Matrix‑Accelerator‑Architektur

Ein Kernelement des Leistungs­sprungs ist die Integration eines dedizierten Matrix‑Accelerators in die E‑Series‑GPU. Der Accelerator unterstützt eine Palette von Low‑Precision‑Formaten, darunter MXFP8, MXFP4, BF16 und FP4. Diese Formate reduzieren die Bit‑Breite von Tensor‑Operationen und erhöhen damit den Durchsatz von Matrix‑Multiplikationen und Convolution‑Kernels, die KI‑Workloads dominieren.

Imagination gibt an, dass der Matrix‑Accelerator eng mit der Shading‑Engine gekoppelt ist. Durch die Einbettung der Matrix‑Einheit direkt in die tile‑basierte Deferred‑Renderer‑Pipeline (TBDR) wird der Datenverkehr zwischen Grafik‑Rasterizer und KI‑Compute‑Blöcken minimiert. Laut LeiPhone‑Analyse führt diese Integration zu einer Verbesserung der Energieeffizienz von bis zu 39 %, wobei die genaue Messmethodik nicht offengelegt wird.

Einheitlicher Software‑Stack

Ein weiteres Versprechen von Imagination lautet, dass die E‑Series über einen einzigen Software‑Stack programmierbar ist, der traditionelle Grafik‑APIs (OpenCL, Vulkan) und KI‑Frameworks (Llama.cpp, ONNX, PyTorch) umfasst. Das Unternehmen argumentiert, dass dadurch die Anzahl benötigter Treiber reduziert und die Qualifizierungszyklen für System‑on‑Chip‑Designer (SoC) verkürzt werden, die sowohl Rendering als auch KI‑Inference auf demselben Chip unterstützen müssen.

Der einheitliche Stack soll die Entwicklung für eingebettete Plattformen vereinfachen, bei denen Speicher, Leistung und Siliziumfläche knapp sind. Durch die Wiederverwendung derselben Treiber‑Infrastruktur für Rendering und KI könnten OEMs potenziell separate Validierungssuiten für Grafik‑ und Neural‑Network‑Acceleratoren vermeiden.

Bandbreiten‑ und Kompressionsvorteile

Imagination hebt zudem die Kompressionseigenschaften des NSR‑Modells hervor. Laut Unternehmen ist das NSR‑Netzwerk um etwa 65 % seiner Originalgröße komprimiert. Diese Kompression führt zu einer Reduktion des Speicher‑Bandbreitenbedarfs um 50 % im Vergleich zu einem nativen Rendering‑Pfad, der kein NSR nutzt.

Der geringere Bandbreitenbedarf ist besonders relevant für SoCs, die hochauflösende Displays ansteuern, aber durch Speicher‑Interface‑Grenzen eingeschränkt sind. Imagination gibt eine maximale Speicher‑Bandbreite von 768 GB/s für die E‑Series‑Plattform an, weist jedoch darauf hin, dass die tatsächliche Leistung davon abhängt, wie viel dieser Bandbreite für Grafik‑ versus KI‑Workloads zugewiesen wird.

Obwohl die Kompression den Bandbreiten‑Druck verringert, räumt Imagination ein, dass die visuelle Qualität der NSR‑hochskalierten Bilder „nahe“ an das Referenz‑Native‑Rendering herankommt. Quantitative Qualitätsmetriken wie PSNR oder SSIM wurden im Benchmark‑Release nicht bereitgestellt.

Einschränkungen und heterogene Architektur

Imagination ist transparent darüber, dass die E‑Series‑GPU dedizierte Neural‑Processing‑Units (NPUs) nicht für alle KI‑Aufgaben ersetzen kann. Workloads, die ultra‑niedrige Latenz oder hochspezialisierte Operatoren erfordern, könnten nach wie vor besser durch eigens dafür konzipierte NPUs bedient werden. Das Unternehmen positioniert die E‑Series daher als ein Bauteil eines breiteren heterogenen Compute‑Fabrik‑Ansatzes, der CPUs, NPUs und weitere Beschleuniger umfasst.

Die Benchmark‑Dokumentation betont zudem, dass die reale Auswirkung stark von der Akzeptanz durch Software‑Entwickler und den Speicher‑Konfigurationen des SoCs abhängt. Der 4,7‑fache LLM‑Prefill‑Speed‑Up setzt beispielsweise ein Speichersubsystem voraus, das die beworbene Bandbreite von 768 GB/s liefern kann. Systeme mit geringerer Bandbreite könnten geringere Gewinne verzeichnen.

Ähnlich wurde die 2,3‑ms‑NSR‑Upscaling‑Latenz unter idealen Testbedingungen gemessen. Die Unterlagen warnen, dass industrielle Einsätze Schwankungen aufgrund von Treiber‑Reife, thermischer Drosselung oder Integration mit anderen Systemkomponenten erfahren können.

• Neural Super Resolution verdoppelt die Auflösung in 2,3 ms
• LLM‑Prefill 4,7× schneller als D‑Series
• Matrix‑Accelerator unterstützt MXFP8, MXFP4, BF16, FP4
• Einheitlicher Stack reduziert Treiberanzahl über OpenCL, Vulkan, PyTorch

Die obige Liste fasst die vier Schlagzeilen‑Zahlen zusammen, die Imagination und die unabhängigen Testhäuser veröffentlicht haben. Alle anderen Performance‑Beobachtungen bleiben qualitativ oder werden als relative Verbesserungen ohne absolute Werte angegeben.

Aus praktischer Sicht müssen Unternehmen, die die E‑Series für Embedded‑ oder Edge‑Geräte evaluieren, die dokumentierten Geschwindigkeitsgewinne gegen die im Benchmark‑Release hervorgehobenen Unsicherheiten abwägen. Die mit tile‑basiertem Rendering und Matrix‑Unit‑Integration verbundenen Energie‑Effizienz‑Verbesserungen deuten auf einen geringeren Stromverbrauch pro Frame hin, was für batteriebetriebene Produkte wertvoll sein kann.

Allerdings bedeutet die Abhängigkeit von einem einheitlichen Software‑Stack, dass Entwicklungsteams die Kompatibilität mit ihren bestehenden Toolchains prüfen müssen. Nutzt ein Unternehmen bereits eine dedizierte NPU für latenzkritische Inferenz, könnte die E‑Series diese hardware ergänzen, anstatt sie zu ersetzen, was eine sorgfältige Aufgabenteilung erfordert.

Die Speicher‑Bandbreite bleibt ein entscheidender Faktor. Systeme, die nicht die vollen 768 GB/s bereitstellen können, erreichen möglicherweise nicht die vollen 39 % Energie‑Effizienz‑Verbesserung oder die 4,7‑fache LLM‑Prefill‑Beschleunigung. Designer sollten daher früh im SoC‑Planungsprozess das Speicher‑Subsystem bewerten.

Schließlich garantiert das Benchmark‑Material keine breite Branchen‑Adoption. Software‑Anbieter müssen das neue NSR‑Modell und die Matrix‑Accelerator‑APIs in ihre Rendering‑Engines und KI‑Frameworks integrieren, bevor End‑nutzer davon profitieren können. Solange diese Integration aussteht, bleiben die Leistungszahlen Best‑Case‑Szenarien aus kontrollierten Laborbedingungen.