Imagination 發布首批 E 系列 GPU 基準測試：AI 超分辨率 2.3 毫秒完成，LLM 預填速率提升 4.7 倍

Imagination 公布了即將推出的 E 系列圖形處理器的首批公開基準數據。這些結果由獨立測試機構雷峰網（LeiPhone）與 Jon Peddie Research 提供，重點聚焦於兩項核心能力：神經超分辨率（Neural Super Resolution，簡稱 NSR）用於影像升級，以及在同一顆晶片上執行大型語言模型（LLM）時的預填階段（pre‑fill）速度。

NSR 技術由 Imagination 以 Neural Super Resolution 名義推廣，聲稱能在僅 2.3 毫秒的時間內將來源影像的解析度加倍。此測量在受控環境下使用雷峰網與 Jon Peddie Research 的測試套件完成，套件執行標準化的 4K 轉 8K 升級工作負載。除 2.3 毫秒的數值外，未披露其他時間或比較數據。

同時，基準測試顯示，對大型語言模型的預填步驟——在推論前將模型權重載入 GPU 記憶體的記憶體密集型操作——在 E 系列上比 Imagination 前一代的 D 系列快 4.7 倍。雷峰網與 Jon Peddie Research 均在多種模型規模下觀測到相同的加速倍率，然而具體使用的模型名稱與批次配置並未列出。

矩陣加速器架構

性能提升的核心要素之一是 E 系列 GPU 內建的專屬矩陣加速器。該加速器支援一系列低精度資料格式，包括 MXFP8、MXFP4、BF16 與 FP4。這些格式旨在縮減張量運算的位元寬度，從而提升矩陣乘法與卷積核在 AI 工作負載中的吞吐量。

Imagination 表示，矩陣加速器與著色引擎緊密耦合。透過將矩陣單元直接嵌入瓦片式延遲渲染（TBDR）管線，圖形光柵化器與 AI 計算模組之間的資料搬移被最小化。雷峰網的分析將此整合歸因於高達 39 % 的能源效率提升，但未說明具體的測量方法。

統一軟體堆疊

Imagination 另一項主張是，E 系列可透過單一軟體堆疊進行程式設計，該堆疊同時支援傳統圖形 API（OpenCL、Vulkan）與 AI 框架（Llama.cpp、ONNX、PyTorch）。公司認為，這樣可減少所需驅動程式的數量，縮短系統單晶片（SoC）設計師在同時支援渲染與 AI 推論時的驗證週期。

統一堆疊的目標是簡化嵌入式平台的開發，這類平台往往受限於記憶體、功耗與晶片面積。透過共用相同的驅動基礎設施，原設備製造商（OEM）有機會避免為圖形與神經網路加速器分別維護驗證套件。

頻寬與壓縮效益

Imagination 亦強調 NSR 模型的壓縮特性。公司稱，NSR 網路的大小約壓縮至原始容量的 65 %。此壓縮帶來記憶體頻寬需求下降 50 %，相較於未使用 NSR 的原生渲染路徑。

頻寬需求的降低對於目標高解析度顯示卻受記憶體介面限制的 SoC 來說尤為重要。Imagination 公布 E 系列平台的最大記憶體頻寬為 768 GB/s，但同時提醒實際效能取決於該頻寬在圖形與 AI 工作負載之間的分配比例。

儘管壓縮降低了頻寬壓力，Imagination 仍承認 NSR 升級後的畫面品質「接近」原生渲染的參考輸出。基準發布未提供任何量化的品質指標，例如 PSNR 或 SSIM。

限制與異構架構

Imagination 透明說明，E 系列 GPU 並不取代所有 AI 任務的專用神經處理單元（NPU）。對於需要超低延遲或高度專業化運算子的工作負載，仍可能需要專為此設計的 NPU。公司因此將 E 系列定位為更廣泛異構計算結構中的一環，該結構同時包含 CPU、NPU 與其他加速器。

基準文件亦指出，實際效益將取決於軟體工程師的採用程度與 SoC 記憶體配置。例如，4.7 倍的 LLM 預填加速假設記憶體子系統能提供宣稱的 768 GB/s 頻寬；若頻寬較低，提升幅度可能相應減少。

同樣地，2.3 毫秒的 NSR 升級延遲是在理想測試條件下取得。文件警示，工業部署時可能因驅動成熟度、熱節流或與其他系統元件的整合產生變異。

• Neural Super Resolution 在 2.3 毫秒內將解析度加倍
• LLM 預填速度比 D 系列快 4.7 倍
• 矩陣加速器支援 MXFP8、MXFP4、BF16、FP4
• 統一堆疊減少 OpenCL、Vulkan、PyTorch 等驅動程式數量

上述清單彙整了 Imagination 及獨立測試機構公布的四項關鍵數據。其他性能觀察仍屬質性描述，或以相對改善方式呈現，未提供絕對數值。

從實務角度看，評估 E 系列於嵌入式或邊緣裝置的組織必須將已記錄的加速效益與基準釋出的不確定性相互權衡。與瓦片式渲染及矩陣單元整合相關的能源效率提升，暗示每幀功耗下降，對於電池供電產品可能具備吸引力。

然而，依賴統一軟體堆疊意味著開發團隊需要驗證其與現有工具鏈的相容性。若公司已為延遲關鍵推論使用專用 NPU，E 系列可能僅作為補充硬體，需謹慎分配工作負載。

記憶體頻寬仍是決定因素。無法提供完整 768 GB/s 的系統，可能無法實現 39 % 的能源效率提升或 4.7 倍的 LLM 預填加速。因此，設計師應在 SoC 規劃階段即評估記憶體子系統。

最後，基準資料並不保證產業廣泛採用。軟體供應商必須先將新 NSR 模型與矩陣加速器 API 整合至其渲染引擎與 AI 框架，最終使用者才能受惠。未完成整合前，這些績效數字仍屬於受控實驗室環境下的最佳情況。