NVIDIA GPU と Capability Level

NVIDIA GPU と Capability Level
Photo by Andrey Matveev / Unsplash

NVIDIA GPU の Capability Level の一覧です。

推論エンジンがサポートする各種アクセラレーション機能は Capability Level により搭載されるハードウェアアクセラレータや専用機能が異なります。

データセンター/プロ向けGPU GeForce GPU Capability Level 世代名
- GeForce RTX 5090 120 Blackwell
- GeForce RTX 5080 120 Blackwell
- GeForce RTX 5070 120 Blackwell
- GeForce RTX 5060 120 Blackwell
NVIDIA B200 - 100 Blackwell
NVIDIA B100 - 100 Blackwell
NVIDIA H200 - 90 Hopper
NVIDIA H100 - 90 Hopper
NVIDIA L4 - 89 Ada Lovelace
NVIDIA L40 - 89 Ada Lovelace
RTX 6000 Ada Generation - 89 Ada Lovelace
RTX 5000 Ada Generation - 89 Ada Lovelace
RTX 4000 Ada Generation - 89 Ada Lovelace
RTX 3000 Ada Generation - 89 Ada Lovelace
- GeForce RTX 4090 89 Ada Lovelace
- GeForce RTX 4080 89 Ada Lovelace
- GeForce RTX 4070 Ti / 4070 89 Ada Lovelace
- GeForce RTX 4060 Ti / 4060 89 Ada Lovelace
- GeForce RTX 4050 89 Ada Lovelace
NVIDIA A40 - 86 Ampere
NVIDIA A10 - 86 Ampere
NVIDIA A16 - 86 Ampere
NVIDIA A2 - 86 Ampere
RTX A6000 - 86 Ampere
RTX A5000 - 86 Ampere
RTX A4000 - 86 Ampere
RTX A3000 - 86 Ampere
RTX A2000 - 86 Ampere
RTX A1000 - 86 Ampere
- GeForce RTX 3090 Ti / 3090 86 Ampere
- GeForce RTX 3080 Ti / 3080 86 Ampere
- GeForce RTX 3070 Ti / 3070 86 Ampere
- GeForce RTX 3060 Ti / 3060 86 Ampere
- GeForce RTX 3050 Ti / 3050 86 Ampere
NVIDIA A100 - 80 Ampere
NVIDIA A30 - 80 Ampere
NVIDIA T4 - 75 Turing
T400 - 75 Turing
Quadro RTX 8000 - 75 Turing
Quadro RTX 6000 - 75 Turing
Quadro RTX 5000 - 75 Turing
Quadro RTX 4000 - 75 Turing
RTX 5000 - 75 Turing
RTX 4000 - 75 Turing
RTX 3000 - 75 Turing
T2000 - 75 Turing
T1200 - 75 Turing
T1000 - 75 Turing
T600 - 75 Turing
T500 - 75 Turing
NVIDIA TITAN RTX - 75 Turing
- GeForce RTX 2080 Ti / 2080 Super / 2080 75 Turing
- GeForce RTX 2070 Super / 2070 75 Turing
- GeForce RTX 2060 Super / 2060 75 Turing
- GeForce GTX 1660 Ti / 1660 Super / 1660 75 Turing
- GeForce GTX 1650 Super / 1650 Ti / 1650 75 Turing
NVIDIA V100 - 70 Volta
Quadro GV100 - 70 Volta
NVIDIA TITAN V - 70 Volta

Read more

Google GenAI SDK のストリーミングでマルチターン画像編集🍌が不安定になる問題と対処法

Google GenAI SDK のストリーミングでマルチターン画像編集🍌が不安定になる問題と対処法

こんにちは! Gemini 3 Pro Image (Nano banana Pro)を使ったマルチターン画像編集機能を実装していたところ、動いたり動かなかったりするという厄介な問題に遭遇しました。 本記事では、この問題の現象、原因調査の過程、そして解決策を共有します。 問題の現象 実行環境 Google GenAI SDKライブラリ(pip): google-genai 1.56.0 期待する動作 1. ユーザー: 「かわいい子猫の画像を生成して」 2. Gemini: 子猫の画像を生成 3. ユーザー: 「この子にメガネをかけて」 4. Gemini: 同じ子猫にメガネをかけた画像を生成 実際に起きた現象 1. ユーザー: 「かわいい子猫の画像を生成して」 2. Gemini: 茶色の子猫の画像を生成 3. ユーザー: 「この子にメガネをかけて」 4. Gemini: メガネをかけた女の子の画像を生成

By Qualiteg プロダクト開発部
【出展報告】TOKYO DIGICONX 2026

【出展報告】TOKYO DIGICONX 2026

こんにちは! 先日、「TOKYO DIGICONX 2026」に出展してまいりましたのでレポートさせていただきます! TOKYO DIGICONX 2026 TOKYO DIGICONX 2026は、2026年1月8日(木)~10日(土)に東京ビッグサイト 南3・4ホールで開催された、XR・メタバース・AI・Web3をテーマにした総合展示会です。 正式名称は「第3回 TOKYO XR・メタバース&コンテンツビジネスワールド」で、東京都、XRコンソーシアム、Metaverse Japan、東京商工会議所で構成されるXR・メタバース等産業展実行委員会が主催しています。 180社以上のスタートアップや企業が出展し、ビジネスデイ(8日・9日)とパブリックデイ(10日)の3日間にわたり、XR・メタバース・AI分野の最前線を体感できるイベントとなりました。 冬の東京ビッグサイト 新年明けて間もない1月の東京ビッグサイト。お正月気分もそこそこに、気合を入れて会場入りしました�

By Qualiteg ビジネス開発本部 | マーケティング部
コーディングエージェントの現状と未来への展望 【第2回】主要ツール比較と構造的課題

コーディングエージェントの現状と未来への展望 【第2回】主要ツール比較と構造的課題

こんにちは! 今回は、コーディングエージェントシリーズ第2回です! 前回の第1回では、2025年12月時点で百花繚乱状態にあるAIコーディングエージェントの全体像を俯瞰しました。 AIコーディングエージェント20選!現状と未来への展望 【第1回】全体像と基礎こんにちは! 今回は、20種類以上あるまさに百花繚乱なAIコーディングツールを一挙に紹介&解説していきたいとおもいます! AIをつかったコーディングはもはや常識となり、日々目まぐるしく新しいツールが登場しています。当社でも自社開発のAIコーディングツールをふくめ複数のツールを活用してソフトウェア開発をすすめていますが、次々とナイスなツールがでてきて興奮しつつも、正直キャッチアップが追いつかない…!という状況です。 「結局どれを使えばいいの?」「Claude CodeとCursorって何が違うの?」「オープンソースでも使えるやつあるの?」——そんな疑問を持っている方も多いのではないでしょうか。 そこで本シリーズでは、2025年12月時点でのAIコーディングツールを徹底的に整理してみました。商用サービスからオープンソースまで、20

By Qualiteg コンサルティング
LLM学習の現実:GPU選びから学習コストまで徹底解説

LLM学習の現実:GPU選びから学習コストまで徹底解説

こんにちは! なぜOpenAIやAnthropicは世界最高水準のLLMを作れるのに、それに肩を並べる日本発のLLMは存在しないのでしょうか? 技術力の差でしょうか。それとも人材の問題でしょうか。 答えはもっとシンプルです。GPUの枚数とお金です。 今日はそんな 「LLMの学習」にフォーカスをあて、そのリアルについて徹底解説いたします! 1. はじめに 「LLMを自分で学習させてみたい」 そう思ったとき、最初にぶつかる壁がGPUの問題です。 どのGPUを何枚使えばいいのか。クラウドで借りるべきか、オンプレで買うべきか。そもそも個人や小規模チームでLLM学習は現実的なのか。 本記事では、こうした疑問に対して、具体的な数字と事例を交えながら答えていきます。 たとえばLLaMA 2の学習にはA100が2,048枚使われました。DeepSeek-V3は約8億円かかりました。では、あなたの手元のGPUでは何ができるのか。そこを明らかにしていきたいと思います。 対象読者は、LLM学習に興味があるエンジニアや研究者です。PyTorchでモデルを書いたことがある程度の知識を前提とし

By Qualiteg プロダクト開発部, Qualiteg 研究部