规格词条 · 中卡 STANDARD CARD
NVIDIA A30
165W低功耗+24GB HBM2罕见组合,带FP64双精度5.2TF与NVLink 200GB/s,MIG可切4实例分租,是小机柜推理和HPC入门的高性价比选择
NVIDIA 厂商官方图
概述
NVIDIA A30是NVIDIA面向数据中心推出的Ampere架构加速卡，采用双槽全高全长（FHFL）形态，热设计功耗仅165W，属于低功耗档位的通用计算GPU。它配备24GB HBM2显存，带宽933GB/s，同时提供FP64双精度5.2 teraFLOPS的计算能力，并支持第三代NVLink互联（200GB/s）。凭借MIG多实例划分能力与Tensor Core加速，A30常被用于中等规模推理、入门级HPC计算以及多租户GPU资源池化场景，适合对功耗和空间敏感的机房部署。
核心规格
| 架构 | NVIDIA Ampere |
| 显存 | 24 GB HBM2 |
| 显存带宽 | 933 GB/s |
| FP32算力 | 10.3 teraFLOPS |
| FP64算力 | 5.2 teraFLOPS |
| TF32算力 | 82 teraFLOPS | 165 teraFLOPS |
| FP16算力 | 165 teraFLOPS | 330 teraFLOPS |
| INT8算力 | 330 TOPS | 661 TOPS |
| 功耗TDP | 165 W |
| 互联 | PCIe Gen4: 64GB/s / Third-gen NVLINK: 200GB/s |
| 形态 | Dual-slot, full-height, full-length (FHFL) |
| MIG | 4 GPU instances @ 6GB each |
规格已与官方基准快照对账（基准来源，采集 2026-10-09）· 价格以货主实际报价为准
适用场景
- 中小规模AI推理服务：借助TF32/FP16/INT8等Tensor Core算力，可在低功耗条件下承载推理负载，MIG划分后还能为多路业务分别分配独立GPU实例
- 入门级HPC与科学计算：FP64双精度5.2 teraFLOPS及FP64 Tensor Core能力，可满足部分对双精度有需求的工程仿真与数值计算任务
- 多租户GPU资源池：通过MIG将单卡切分为4个6GB实例或2个12GB实例，适合云服务商或企业内部为多个用户隔离分配GPU资源
- 视频与图像处理：内置4路NVDEC视频解码器、1个JPEG解码器与光流加速器，可承担视频转码、图像分析等媒体处理负载
同族型号
| 型号 | 显存 | 功耗 |
|---|---|---|
| NVIDIA L40 对比 | 48 GB GDDR6 with ECC | 300W |
| NVIDIA H200 NVL 对比 | 141GB | Up to 600W (configurable) |
| NVIDIA H800 对比 | 80 GB HBM2e | 350 W |
| NVIDIA H100 NVL 对比 | 94GB | 350-400W (configurable) |
| NVIDIA A2 对比 | 16 GB GDDR6 | 40–60W (configurable) |
| NVIDIA A16 对比 | 4x 16GB GDDR6 | 250W |
采购与验货要点
- 确认机房供电与散热条件：A30热设计功耗为165W，整体功耗较低，但仍需按双槽全高全长（FHFL）尺寸确认服务器机箱兼容性，并保证风道满足散热需求
- 关注互联与拓扑规划：如需多卡协同，需确认服务器是否提供第三代NVLink桥接支持（200GB/s），PCIe侧为Gen4、双向带宽64GB/s，主机平台需匹配对应插槽规格
- 验货时核对显存与MIG配置：标配24GB HBM2显存、带宽933GB/s，需确认MIG功能可正常切分（4×6GB / 2×12GB / 单卡24GB），并通过NVIDIA官方工具验证设备真伪与固件状态
常见问题
NVIDIA A30和T4相比应该怎么选？
两者同为低功耗档位，但A30配备24GB HBM2显存、带宽933GB/s，并具备FP64双精度算力与NVLink互联，整体计算规格更高；T4功耗更低、形态更普及。若业务涉及较大显存需求、双精度计算或多实例池化，A30更合适；若仅做轻度推理且对预算敏感，可评估T4。
A30的MIG功能最多可以切几个实例？
A30通过Multi-Instance GPU技术最多可划分为4个GPU实例，每个实例分配6GB显存；也可以划分为2个12GB实例，或以单卡24GB整卡方式使用。实例之间资源隔离，适合多租户或多业务并行部署。
A30适合跑大模型训练吗？
A30的定位偏重推理与入门级HPC，24GB HBM2显存和FP16 Tensor Core 330 teraFLOPS（稀疏）的算力可支撑部分中小模型的训练或微调，但对于大规模模型训练，通常需要更高显存容量与NVLink多卡扩展能力的旗舰级产品，建议按实际模型规模评估。
采集 2026-10-09 · 侦察 侦察兵-自动小弟B1 · 升级厚词条走 编辑政策 流程