CUDA Core là gì và tại sao việc chọn GPU VPS lại quan trọng?

Việc chọn một VPS GPU có thể khiến bạn cảm thấy choáng ngợp khi nhìn chằm chằm vào các bảng thông số kỹ thuật chứa đầy những con số. Số lõi tăng từ 2.560 lên 21.760, nhưng điều đó có nghĩa là gì?

Lõi CUDA là một đơn vị xử lý song song bên trong GPU NVIDIA, thực hiện hàng nghìn phép tính cùng lúc, cung cấp năng lượng cho mọi thứ từ đào tạo AI đến kết xuất 3D. Hướng dẫn này phân tích cách chúng hoạt động, chúng khác với lõi CPU và Tensor như thế nào cũng như số lượng lõi phù hợp với nhu cầu của bạn mà không phải trả quá nhiều.

Lõi CUDA là gì?

Lõi CUDA là các đơn vị xử lý riêng lẻ bên trong GPU NVIDIA thực thi các lệnh song song. Nền tảng công nghệ cốt lõi của CUDA là gì? Hãy coi những đơn vị này như những công nhân nhỏ cùng lúc giải quyết các công việc giống nhau.

NVIDIA đã giới thiệu CUDA (Kiến trúc thiết bị hợp nhất tính toán) vào năm 2006 để sử dụng sức mạnh GPU cho tính toán chung ngoài đồ họa. các tài liệu CUDA chính thức cung cấp chi tiết kỹ thuật toàn diện. Mỗi đơn vị thực hiện các phép tính số học cơ bản trên các số có dấu phẩy động, hoàn hảo cho các phép tính lặp đi lặp lại.

GPU NVIDIA hiện đại gói hàng nghìn đơn vị này vào một con chip duy nhất. GPU tiêu dùng từ thế hệ mới nhất chứa hơn 21.000 lõi, trong khi GPU trung tâm dữ liệu dựa trên kiến ​​trúc Hopper có tính năng lên tới 16.896. Các đơn vị này hoạt động cùng nhau thông qua Bộ xử lý đa luồng (SM).

Các đơn vị thực hiện các hoạt động SIMT (Lệnh đơn, Nhiều luồng) thông qua các phương pháp tính toán song song. Một lệnh được thực thi trên nhiều điểm dữ liệu cùng một lúc. Khi đào tạo mạng lưới thần kinh hoặc hiển thị cảnh 3D, hàng nghìn thao tác tương tự sẽ diễn ra. Họ chia công việc này thành các luồng đồng thời, thực hiện đồng thời thay vì tuần tự.

Lõi CUDA và lõi CPU: Điều gì khiến chúng khác biệt?

CPU và GPU giải quyết vấn đề theo những cách cơ bản khác nhau. CPU máy chủ hiện đại có thể có 8-128+ lõi chạy ở tốc độ xung nhịp cao. Những bộ xử lý này vượt trội trong các hoạt động tuần tự trong đó mỗi bước phụ thuộc vào kết quả trước đó. Họ xử lý logic phức tạp và phân nhánh một cách hiệu quả.

GPU lật ngược cách tiếp cận này. Chúng chứa hàng nghìn lõi CUDA đơn giản hơn chạy ở tốc độ xung nhịp thấp hơn. Các đơn vị này bù đắp cho tốc độ thấp hơn thông qua tính song song. Khi 16.000 người làm việc cùng nhau, tổng thông lượng sẽ vượt quá khả năng tiêu chuẩn của CPU.

CPU thực thi mã hệ điều hành và logic ứng dụng phức tạp. Mặc dù GPU ưu tiên thông lượng nhưng chi phí khởi tạo và đồng bộ hóa tác vụ lại dẫn đến độ trễ cao hơn. Xử lý đồ họa song song ưu tiên di chuyển dữ liệu. Mặc dù mất nhiều thời gian hơn để bắt đầu nhưng chúng xử lý các tập dữ liệu lớn nhanh hơn CPU.

Công nghệ GPU ảo (vGPU) và GPU đa phiên bản (MIG) xử lý việc phân vùng và lập lịch tài nguyên để phân phối bộ xử lý cho nhiều người dùng. Thiết lập này cho phép các nhóm tối đa hóa việc sử dụng phần cứng thông qua chia sẻ theo thời gian hoặc phiên bản phần cứng chuyên dụng, tùy thuộc vào cấu hình.

Việc huấn luyện mạng lưới thần kinh bao gồm hàng tỷ phép nhân ma trận. Một GPU có 10.000 đơn vị không chỉ thực hiện đồng thời 10.000 thao tác; thay vào đó, nó quản lý hàng nghìn luồng song song được nhóm thành “các sợi dọc” để tối đa hóa thông lượng. Sự song song lớn này là lý do tại sao các đơn vị này là điều cần phải biết đối với các nhà phát triển AI.

Lõi CUDA và lõi Tensor: Tìm hiểu sự khác biệt

GPU NVIDIA chứa hai loại đơn vị chuyên dụng hoạt động cùng nhau: lõi CUDA tiêu chuẩn và lõi Tensor. Chúng không phải là công nghệ cạnh tranh; họ giải quyết các phần khối lượng công việc khác nhau.

Các đơn vị tiêu chuẩn là các bộ xử lý song song có mục đích chung xử lý các phép tính FP32 và FP64, toán số nguyên và các phép biến đổi tọa độ. Công nghệ CUDA cốt lõi này tạo thành nền tảng của điện toán GPU, chạy mọi thứ từ mô phỏng vật lý đến xử lý trước dữ liệu mà không cần tăng tốc chuyên dụng.

Lõi tensor là các đơn vị chuyên biệt được thiết kế dành riêng cho các tác vụ nhân ma trận và AI. Được giới thiệu trong kiến ​​trúc Volta của NVIDIA (2017), chúng vượt trội ở khả năng tính toán chính xác FP16 và TF32. Thế hệ mới nhất hỗ trợ FP8 để suy luận AI nhanh hơn nữa.

GPU hiện đại kết hợp cả hai. RTX 5090 có 21.760 đơn vị tiêu chuẩn cộng với 680 lõi Tensor thế hệ thứ năm. H100 kết hợp 16.896 đơn vị tiêu chuẩn với 528 lõi Tensor thế hệ thứ tư để tăng tốc học sâu.

Khi đào tạo mạng lưới thần kinh, lõi Tensor thực hiện các thao tác nâng hạng nặng trong quá trình tiến và lùi qua mô hình. Các đơn vị tiêu chuẩn quản lý việc tải dữ liệu, tiền xử lý, tính toán tổn thất và cập nhật trình tối ưu hóa. Cả hai loại đều hoạt động cùng nhau, với lõi Tensor tăng tốc các hoạt động tính toán chuyên sâu.

Đối với các thuật toán học máy truyền thống như rừng ngẫu nhiên hoặc tăng cường độ dốc, các đơn vị tiêu chuẩn sẽ quản lý công việc vì chúng không sử dụng các mẫu nhân ma trận mà lõi Tensor tăng tốc. Nhưng đối với các mô hình máy biến áp và mạng nơ-ron tích chập, lõi Tensor mang đến khả năng tăng tốc đáng kể.

Lõi CUDA được sử dụng để làm gì?

Các tác vụ sức mạnh lõi CUDA cần nhiều phép tính giống hệt nhau được thực hiện đồng thời. Bất kỳ công việc nào liên quan đến các phép toán ma trận hoặc các phép tính số lặp đi lặp lại đều được hưởng lợi từ kiến ​​trúc của chúng.

Ứng dụng AI và học máy

Học sâu dựa vào phép nhân ma trận trong quá trình đào tạo và suy luận. Khi đào tạo mạng lưới thần kinh, mỗi lần chuyển tiếp yêu cầu hàng triệu thao tác cộng nhân trên các ma trận trọng số. Lan truyền ngược thêm hàng triệu trong quá trình truyền ngược.

Các đơn vị quản lý việc tiền xử lý dữ liệu, chuyển đổi hình ảnh thành tensor, chuẩn hóa các giá trị và áp dụng các phép biến đổi tăng cường. Khả năng xử lý hàng nghìn tác vụ cùng một lúc chính là lý do tại sao GPU lại quan trọng đối với AI.

Trong quá trình đào tạo, họ giám sát lịch trình tốc độ học tập, tính toán độ dốc và cập nhật trạng thái tối ưu hóa.

Đối với VPS dành cho hoạt động suy luận AI chạy hệ thống đề xuất hoặc chatbot, chúng xử lý đồng thời các yêu cầu, thực hiện đồng thời hàng trăm dự đoán. Hướng dẫn của chúng tôi về GPU tốt nhất cho AI 2025 bao gồm những cấu hình nào hoạt động cho các kích cỡ mô hình khác nhau.

16.896 đơn vị của H100 kết hợp với lõi Tensor sẽ tạo ra mô hình 7 tỷ tham số trong vài tuần thay vì hàng tháng. Suy luận thời gian thực cho các chatbot phục vụ hàng nghìn người dùng yêu cầu khả năng thực thi đồng thời tương tự.

Nghiên cứu và tính toán khoa học

Các nhà nghiên cứu sử dụng các bộ xử lý này để mô phỏng động lực phân tử, lập mô hình khí hậu và phân tích bộ gen. Mỗi phép tính đều độc lập, khiến chúng trở nên hoàn hảo để thực hiện đồng thời. Các tổ chức tài chính chạy mô phỏng Monte Carlo với hàng triệu kịch bản cùng một lúc.

Kết xuất 3D và sản xuất video

Tính năng dò tia tính toán ánh sáng phản xạ qua các cảnh 3D bằng cách dò các tia độc lập qua từng pixel. Trong khi các lõi RT chuyên dụng xử lý việc truyền tải, các lõi tiêu chuẩn quản lý việc lấy mẫu kết cấu và ánh sáng. Sự phân chia này quyết định tốc độ của những cảnh có hàng triệu tia sáng.

NVENC xử lý mã hóa cho H.264 và H.265, trong khi các kiến ​​trúc mới nhất (Ada Lovelace và Hopper) giới thiệu hỗ trợ phần cứng cho AV1. CUDA hỗ trợ các hiệu ứng, bộ lọc, chia tỷ lệ, khử nhiễu, biến đổi màu sắc và keo dán đường ống. Điều này cho phép công cụ mã hóa hoạt động cùng với các bộ xử lý song song để sản xuất video nhanh hơn.

Kết xuất 3D trong Blender hoặc Maya chia nhỏ hàng tỷ phép tính đổ bóng bề mặt trên các đơn vị có sẵn. Các hệ thống hạt được hưởng lợi vì chúng mô phỏng hàng nghìn hạt tương tác cùng một lúc. Những tính năng này là chìa khóa để tạo ra sản phẩm kỹ thuật số cao cấp.

Lõi CUDA tác động đến hiệu suất GPU như thế nào

Số lượng lõi cung cấp cho bạn ý tưởng sơ bộ về khả năng thực thi đồng thời, nhưng lõi CUDA yêu cầu phải nhìn xa hơn các con số. Tốc độ xung nhịp, băng thông bộ nhớ, hiệu quả kiến ​​trúc và tối ưu hóa phần mềm đều đóng những vai trò quan trọng.

GPU có 10.000 đơn vị chạy ở tốc độ 2,0 GHz mang lại kết quả khác với GPU có 10.000 đơn vị ở tốc độ 1,5 GHz. Tốc độ xung nhịp cao hơn có nghĩa là mỗi đơn vị hoàn thành nhiều phép tính hơn mỗi giây. Các kiến ​​trúc mới hơn sẽ đưa nhiều công việc hơn vào mỗi chu trình thông qua việc lập kế hoạch hướng dẫn tốt hơn.

Kiểm tra xem bạn có đang để thiết bị bận không, nhưng hãy nhớ rằng nvidia-smi việc sử dụng là một thước đo thô. Nó đo phần trăm thời gian kernel hoạt động chứ không phải số lượng lõi đang hoạt động.

# Check GPU utilization percentage

nvidia-smi --query-gpu=utilization.gpu,utilization.memory --format=csv,noheader

Đầu ra ví dụ: 85%, 92% (85% thời gian hoạt động, 92% hoạt động của bộ điều khiển bộ nhớ)

Nếu GPU của bạn hiển thị mức sử dụng 60-70% thì có thể bạn đang gặp các tắc nghẽn ngược dòng như tải dữ liệu CPU hoặc kích thước lô nhỏ. Tuy nhiên, thậm chí việc sử dụng 100% cũng có thể gây hiểu nhầm nếu hạt nhân của bạn bị giới hạn bộ nhớ hoặc đơn luồng. Để có bức tranh chân thực về độ bão hòa lõi, hãy sử dụng các trình phân tích hồ sơ như Nsight Systems để theo dõi số liệu “Hiệu suất SM” hoặc “Hoạt động SM”.

Băng thông bộ nhớ thường trở thành nút cổ chai trước khi phát huy tối đa khả năng tính toán. Nếu GPU của bạn xử lý dữ liệu nhanh hơn tốc độ bộ nhớ cung cấp cho nó, các thiết bị sẽ không hoạt động. Model H100 SXM5 sử dụng băng thông 3,35 TB/s để nuôi 16.896 lõi của nó. Tuy nhiên, phiên bản PCIe giảm tốc độ này xuống còn 2 TB/s.

GPU tiêu dùng có số lượng tương tự nhưng băng thông thấp hơn (khoảng 1 TB/s) cho thấy tốc độ thực tế giảm khi thực hiện các hoạt động sử dụng nhiều bộ nhớ.

Dung lượng VRAM xác định quy mô nhiệm vụ của bạn. Có thể là trọng lượng FP16 cho một mô hình 70B, đào tạo đầy đủ đòi hỏi nhiều bộ nhớ hơn. Bạn phải tính đến độ dốc và trạng thái tối ưu hóa. Các trạng thái này thường tăng gấp ba lần dấu chân trừ khi bạn sử dụng chiến lược giảm tải

A100 80GB nhắm đến khả năng suy luận và tinh chỉnh thông lượng cao. Trong khi đó, RTX 4090 24GB, thường được dùng cho các mẫu 7B, có thể chạy các mẫu tham số 30B+ một cách đáng ngạc nhiên nếu bạn sử dụng các kỹ thuật lượng tử hóa hiện đại như INT4. Tuy nhiên, việc hết VRAM buộc việc truyền dữ liệu CPU-GPU sẽ phá hủy thông lượng.

Tối ưu hóa phần mềm xác định liệu mã của bạn có thực sự sử dụng tất cả các đơn vị đó hay không. Hạt nhân được viết kém có thể chỉ sử dụng một phần tài nguyên sẵn có. Các thư viện như cuDNN dành cho học sâu và RAPIDS dành cho khoa học dữ liệu được điều chỉnh chặt chẽ để tối đa hóa việc sử dụng.

Nhiều lõi CUDA hơn không phải lúc nào cũng có nghĩa là hiệu suất tốt hơn

Mua GPU có số lượng lõi cao nhất có vẻ hợp lý nhưng bạn sẽ lãng phí tiền nếu các đơn vị vượt trội hơn các thành phần hệ thống khác hoặc nhiệm vụ của bạn không tăng theo số lượng lõi.

Băng thông bộ nhớ tạo ra giới hạn đầu tiên. 21.760 đơn vị của RTX 5090 được cung cấp bởi băng thông bộ nhớ 1.792 GB/s. GPU cũ hơn với ít đơn vị hơn có thể có băng thông trên mỗi đơn vị cao hơn tương ứng.

Sự khác biệt về kiến ​​trúc rất quan trọng. GPU mới hơn với 14.000 đơn vị ở tốc độ 2,2 GHz sẽ hoạt động tốt hơn GPU cũ hơn với 16.000 đơn vị ở tốc độ 1,8 GHz nhờ hướng dẫn trên mỗi xung nhịp tốt hơn. Mã của bạn cần có sự song song thích hợp để sử dụng 20.000 đơn vị một cách hiệu quả.

Tại sao lõi CUDA lại quan trọng khi chọn GPU VPS

Việc chọn cấu hình GPU lõi CUDA phù hợp cho VPS của bạn sẽ tránh lãng phí tiền vào các tài nguyên không sử dụng hoặc gây tắc nghẽn giữa dự án.

Bộ nhớ 80GB của H100 xử lý suy luận cho các mô hình tham số 70B sử dụng lượng tử hóa 4 bit. Tuy nhiên, để đào tạo đầy đủ, thậm chí 80GB thường không đủ cho kiểu máy 34B khi bạn tính đến độ dốc và trạng thái tối ưu hóa. Trong quá trình đào tạo FP16, dung lượng bộ nhớ tăng lên đáng kể, thường yêu cầu phân mảnh nhiều GPU.

Hoạt động suy luận phục vụ dự đoán theo thời gian thực cần ít đơn vị hơn nhưng được hưởng lợi từ độ trễ thấp. Quá trình phát triển và tạo nguyên mẫu hoạt động tốt với các GPU tầm trung để thử nghiệm các thuật toán và gỡ lỗi mã.

RTX 4060 Ti với 4.352 đơn vị cho phép bạn thử nghiệm mà không phải trả tiền cho phần cứng quá mức cần thiết. Sau khi bạn xác thực phương pháp của mình, hãy mở rộng quy mô GPU sản xuất để thực hiện các đợt đào tạo đầy đủ.

Công việc kết xuất và video có quy mô theo đơn vị cho đến một điểm. Trình kết xuất Cycles của Blender sử dụng tất cả các tài nguyên có sẵn một cách hiệu quả. GPU có 8.000-10.000 đơn vị hiển thị cảnh nhanh hơn 2-3 lần so với GPU có 4.000 đơn vị.

Tại Cloudzy, chúng tôi cung cấp hiệu suất cao VPS GPU lưu trữ được xây dựng để nâng hạng nặng. Chọn RTX 5090 hoặc RTX 4090 để kết xuất nhanh và suy luận AI tiết kiệm chi phí hoặc mở rộng lên A100 cho khối lượng công việc deep learning khổng lồ. Tất cả các gói đều chạy trên mạng 40 Gbps với các chính sách ưu tiên quyền riêng tư và tùy chọn thanh toán bằng tiền điện tử, mang lại cho bạn nguồn điện thô mà không cần quan liêu của doanh nghiệp.

Dù là đào tạo mô hình AI, hiển thị cảnh 3D hay chạy mô phỏng khoa học, bạn đều có thể chọn số lượng lõi phù hợp với nhu cầu của mình. 

Vấn đề cân nhắc về ngân sách. Một chiếc A100 với 6.912 chiếc có giá thấp hơn đáng kể so với chiếc H100 với 16.896 chiếc. Đối với nhiều hoạt động, hai chiếc A100 mang lại tỷ lệ giá trên tốc độ tốt hơn một chiếc H100. Điểm hòa vốn phụ thuộc vào việc mã của bạn có mở rộng trên nhiều GPU hay không.

Cách chọn đúng số lượng lõi CUDA

Hãy làm cho các yêu cầu của bạn phù hợp với đặc điểm khối lượng công việc thực tế thay vì chạy theo những con số cao nhất hiện có trên thị trường.

Bắt đầu bằng cách lập hồ sơ công việc hiện tại của bạn. Nếu bạn đang đào tạo các mô hình trên phần cứng cục bộ hoặc phiên bản đám mây, hãy kiểm tra số liệu sử dụng GPU. Nếu GPU hiện tại của bạn hiển thị mức sử dụng ổn định 60-70% thì bạn chưa sử dụng tối đa các đơn vị.

# Quick benchmark to test if you need more cores

import torch

import time

# Test matrix multiplication (CUDA core workload)

size = 10000

a = torch.randn(size, size).cuda()

b = torch.randn(size, size).cuda()

start = time.time()

c = torch.matmul(a, b)

torch.cuda.synchronize()

elapsed = time.time() - start

print(f"Matrix multiplication time: {elapsed:.3f}s")

print(f"TFLOPS: {(2 * size**3) / (elapsed * 1e12):.2f}")

Điểm chuẩn đơn giản này cho biết liệu lõi GPU của bạn có mang lại thông lượng dự kiến ​​hay không. So sánh kết quả của bạn với điểm chuẩn đã công bố cho mẫu GPU của bạn.

Nâng cấp sẽ không giúp ích gì. Trước tiên, bạn cần giải quyết các điểm nghẽn như bộ nhớ, băng thông hoặc CPU bị treo. Ước tính yêu cầu bộ nhớ tiếp theo bằng cách tính toán kích thước mô hình theo byte cộng với bộ nhớ kích hoạt.

Thêm kích thước lô lần đầu ra của lớp và bao gồm các trạng thái tối ưu hóa. Tổng số này phải phù hợp với VRAM. Khi bạn biết bộ nhớ cần thiết, hãy kiểm tra xem GPU nào đáp ứng ngưỡng đó.

# Calculate VRAM needed for a model

# Formula: (parameters × bytes_per_param × 1.2) for overhead

# Example: 7B parameter model in FP16

# 7,000,000,000 × 2 bytes × 1.2 = 16.8 GB VRAM needed

# Check your available VRAM:

nvidia-smi --query-gpu=memory.total --format=csv,noheader

# 24576 MiB (24 GB available - model fits!)

Hãy xem xét dòng thời gian của bạn. Nếu bạn cần kết quả tính theo giờ, hãy trả tiền cho nhiều đơn vị hơn. Các đợt đào tạo có thể mất nhiều ngày hoạt động tốt trên các GPU nhỏ hơn với thời gian hoàn thành tương ứng dài hơn.

Chi phí mỗi giờ nhân với số giờ cần thiết sẽ cho ra tổng chi phí, đôi khi làm cho GPU chậm hơn về tổng thể sẽ rẻ hơn. Kiểm tra hiệu quả mở rộng quy mô bằng cách sử dụng nhiều khung cung cấp các công cụ đo điểm chuẩn cho thấy những thay đổi về thông lượng.

Nếu các đơn vị nhân đôi chỉ mang lại tốc độ tăng gấp 1,5 lần thì các tính năng bổ sung không đáng giá. Hãy tìm những điểm hấp dẫn nơi tỷ lệ giá trên tốc độ đạt đỉnh.

GPU VPS phổ biến và số lượng lõi CUDA của chúng

Các cấp GPU khác nhau phục vụ các phân khúc người dùng khác nhau. GPUaaS là ​​gì? Đó là GPU dưới dạng dịch vụ, trong đó các nhà cung cấp như Cloudzy cung cấp quyền truy cập theo yêu cầu vào các GPU NVIDIA mạnh mẽ này mà không yêu cầu bạn phải tự mua và bảo trì phần cứng vật lý.

Thẻ RTX dành cho người tiêu dùng (4070, 4080, 4090, 5080, 5090) nhắm đến người sáng tạo và chơi game nhưng hoạt động tốt cho việc phát triển AI. Chúng cung cấp tốc độ GPU đơn mạnh mẽ với mức giá thấp hơn so với thẻ trung tâm dữ liệu.

Các nhà cung cấp VPS thường cung cấp những thứ này cho người dùng nhạy cảm với chi phí. Thẻ trung tâm dữ liệu (A100, H100, L40) ưu tiên độ tin cậy, bộ nhớ ECC và khả năng mở rộng đa GPU. Họ quản lý hoạt động 24/7 và hỗ trợ các tính năng nâng cao.

GPU đa phiên bản (MIG) cho phép bạn phân vùng một GPU thành nhiều phiên bản riêng biệt. A100 vẫn được ưa chuộng dù có nhiều lựa chọn mới hơn nhờ các thông số kỹ thuật cân bằng của nó.

Sự cân bằng giữa lõi NVIDIA, bộ nhớ và giá cả khiến nó trở thành lựa chọn an toàn cho hầu hết các hoạt động AI sản xuất. H100 cung cấp số lượng đơn vị nhiều hơn 2,4 lần nhưng chi phí cao hơn đáng kể.

Phần kết luận

Các công cụ xử lý song song giúp AI, kết xuất và tính toán khoa học hiện đại trở nên khả thi. Cách chúng hoạt động và tương tác với bộ nhớ, tốc độ xung nhịp và phần mềm giúp bạn chọn cấu hình GPU VPS.

Nhiều đơn vị hơn sẽ trợ giúp khi công việc của bạn song song hiệu quả và các thành phần như băng thông bộ nhớ luôn được duy trì. Nhưng việc mù quáng theo đuổi số lượng lõi cao nhất sẽ lãng phí tiền nếu nút thắt của bạn nằm ở chỗ khác.

Bắt đầu bằng cách lập hồ sơ các hoạt động thực tế của bạn, xác định thời gian sử dụng và khớp thông số kỹ thuật GPU với các yêu cầu đó mà không mua quá nhiều dung lượng không cần thiết.

Đối với hầu hết công việc phát triển AI, 6.000-10.000 đơn vị sẽ là điểm cân bằng giữa chi phí và năng lực. Hoạt động sản xuất đào tạo các mô hình lớn hoặc phục vụ lợi ích suy luận thông lượng cao từ hơn 14.000 đơn vị GPU như H100.

Công việc kết xuất và video có quy mô hiệu quả với các đơn vị lên tới khoảng 16.000, sau đó băng thông bộ nhớ trở thành yếu tố hạn chế.

Câu hỏi thường gặp