NVIDIA H100 ve H200 Alternatifi Çoklu GPU Çözümleri

Yapay zeka dünyasında A100, H100 ve H200 GPU’lar performansın zirvesini temsil ediyor. Ancak bu kartlar, hem astronomik fiyat etiketleri hem de sürekli tedarik sorunları nedeniyle çoğu zaman bir hayalden öteye geçemiyor. Peki, milyarlarca parametreli devasa dil modellerini (LLM) çalıştırmak için bu zorlu rakiplere karşı erişilebilir, güçlü ve ölçeklenebilir bir alternatif oluşturmak mümkün mü?

Kesinlikle mümkün! Bu rehberde, mevcut ve yeni nesil profesyonel GPU’ları (A5000, L40S, RTX PRO 6000) birleştirerek GPT-OSS-120B ve hatta daha büyük Llama 3 (400B) gibi modelleri çalıştırmak için gereken Toplam Bellek (VRAM) ve Yüksek Hızlı İletişim dengesini nasıl kuracağınızı anlatıyoruz.

Bakınız: Nvidia H200 NVL İncelemesi

Bakınız: Nvidia RTX Pro 6000 Blackwell 96GB İncelemesi

Bakınız: Blackwell Ultra GPU: NVIDIA’dan Yapay Zeka Çağını Değiştirecek Yeni Nesil GPU

• VRAM Kapasitesi: RTX PRO 6000 alternatifi, her iki senaryoda da H200 kurulumunu dağıtılabilen modellerde kapasitesi açısından geçmektedir. Bu, özellikle trilyon parametreli modelleri tek bir sunucuya sığdırmak için hayati önem taşır.
• GPU Arası İletişim Hızı: H200, kartlar arası veri transferinde üstün olan NVLink teknolojisine sahiptir. RTX PRO 6000 ise PCIe Gen5 kullanır. Bu H200’ün daha düşük gecikme ve daha yüksek saf token/sn hızı sunmasına neden olabilir.
• Blackwell Mimarisi Avantajı: RTX PRO 6000’deki yeni Blackwell çekirdekleri ve yeni formatlar (FP4 gibi), H200’ün HBM hız farkını, daha verimli işlem gücü ile kapatmaya çalışacaktır.

Özetle: H200, saf hız ve düşük gecikme için hala en iyi seçenektir ancak RTX PRO 6000 Blackwell alternatifleri aynı model kapasitesini daha erişilebilir donanımlarla ve daha yeni mimari verimliliğiyle sunar.

Bu rehber, 3x, 4x ve 8x RTX PRO 6000 Blackwell kartlarını kullanarak GPT-OSS-120B üstü (örneğin Llama 3 MoE) modelleri çalıştırmak için izlenecek adımları kapsar. Bu nedenle, bu makaleyi detaylıca incelemenizi tavsiye ederiz. Böylelikle büyük bellek gerektiren LLM modellerini çalıştırmak iiçin alternatif arayışınıza rehber olacaktır.

RTX PRO 6000 (96 GB GDDR7 ECC) kartlarının her biri 600W TDP gücüne sahip olduğundan, sunucu altyapısının bu yükü ve kartlar arası iletişimi kaldırması kritiktir.

Bu adım, vLLM kütüphanesini kullanarak Tensor Paralelliği (TP) için ortamı hazırlar.

Adım 1: Temel Yazılımlar

1. NVIDIA Sürücüleri: En güncel, sunucu sınıfı sürücülerin (özellikle Blackwell ve PCIe Gen5 desteği olan) kurulu olduğundan emin olun.
2. CUDA Toolkit: CUDA 12.x veya Blackwell mimarisiyle tam uyumlu en son sürümün yüklü olduğundan emin olun.
3. Docker (Önerilir): Bağımlılık çatışmalarını önlemek için Docker kullanın.

# vLLM Docker İmajını çekme
docker pull vllm/vllm-openai:latest

Adım 2: vLLM Ortamını Başlatma

Tüm takılı kartlarınızı Docker konteynerine aktarın:

# Tüm GPU'ları ve gerekli hafızayı konteynere aktarma
docker run --gpus all --rm -it -p 8000:8000 \
    --shm-size 8gb \
    vllm/vllm-openai:latest /bin/bash

Modeli başlatırken kullanacağınız --tensor-parallel-size parametresi, kart sayınıza göre belirlenir ve modelin ağırlıklarını bu kartlar arasında eşit böler.

Senaryo 1: 3x RTX PRO 6000 Kurulumu (TP=3)

• Toplam VRAM: 288GB
• Kullanım Amacı: Nicemlenmiş Llama 3 400B MoE gibi modeller için ideal.

# Nicemlenmiş MoE modelini 3 karta bölerek başlatma
python -m vllm.entrypoints.api_server \
    --model /path/to/your/quantized-llm \
    --tensor-parallel-size 3 \
    --host 0.0.0.0 --port 8000 \
    --gpu-memory-utilization 0.95 \
    --enable-expert-parallel

Senaryo 2: 4x RTX PRO 6000 Kurulumu (TP=4)

• Toplam VRAM: 384GB
• Kullanım Amacı: 400B MoE modellerini düşük VRAM’li daha çok kartta çalıştırmak.

# Modeli 4 karta bölerek başlatma (TP=4)
python -m vllm.entrypoints.api_server \
    --model /path/to/your/quantized-llm \
    --tensor-parallel-size 4 \
    --host 0.0.0.0 --port 8000 \
    --gpu-memory-utilization 0.95 \
    --enable-expert-parallel

Senaryo 3: 8x RTX PRO 6000 Kurulumu (TP=8)

• Toplam VRAM: 768GB vRAM 
• Kullanım Amacı: Aşırı büyük modelleri (Trilyon parametreli MoE’lerin versiyonları) çalıştırmak için.
• PCIe Notu: 8 kart, PCIe Gen5 trafiğini çok zorlayacaktır. NVLink’in yokluğu nedeniyle iletişim gecikmesi artabilir; ancak Blackwell’in dahili verimliliği bu etkiyi azaltır.

# Modeli 8 karta bölerek başlatma (TP=8)
python -m vllm.entrypoints.api_server \
    --model /path/to/your/massive-quantized-llm \
    --tensor-parallel-size 8 \
    --host 0.0.0.0 --port 8000 \
    --gpu-memory-utilization 0.95 \
    --enable-expert-parallel

• Quantizasyonu Kontrol Edin: Yüksek kapasiteli VRAM’i korumak için, kullandığınız modelin 4-bit (AWQ/GPTQ) veya FP8 ile quantize olduğundan emin olun.
• PCIe Trafiği İzleme: Çıkarım sırasında sisteminizin I/O (Giriş/Çıkış) performansını izleyin. Eğer CPU veya PCIe hatları %100’e yakın kullanılıyorsa, bu bir darboğaz işaretidir ve çıkarım gecikmesini artıracaktır.
• Blackwell Optimizasyonu: Blackwell mimarisi, özellikle FP4 destekler. Bu teorik olarak çıkarım performansını iki katına çıkarabilir. vLLM veya TensorRT-LLM gibi kütüphanelerin bu format desteğini takip edin.
• Batching: Çıkarım isteklerini gruplar halinde (yüksek batch size gönderin. Bu, kartlar arası veri transferini amorti ederek PCIe darboğazının etkisini azaltır.
  batch-size