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

Claude Fable5 完全ガイド — 公式ドキュメントから読み解くモデル仕様とClaude Code運用ポイント

Claude Fable5 完全ガイド — 公式ドキュメントから読み解くモデル仕様とClaude Code運用ポイント

こんにちは! 2026年6月に登場した Claude Fable 5 は、公開直後の輸出規制による一時停止、グローバル再展開、そしてサブスクリプション枠からの離脱と、わずか1か月でめまぐるしい動きを見せています。 当ブログでもその時々の状況を追ってきました。 まず全体像は ついに一般公開、Claude Mythos 5 / Fable 5 を実務視点で読み解く で、公開直後の停止騒動は 公開から3日で停止──Fable 5/Mythos 5 をめぐる米政府指令が示した、AI の新しい可用性リスク で、料金と今後の見通しは Claude Fable 5 はこれからどうなる? 経緯・コスト・今後の見通し で扱っています。 本記事は、それらを踏まえた「実務で使うための決定版ガイド」です。 とくに 2026年7月12日(日本時間7月13日)を境にサブスクリプション枠から外れ、使用クレジットを有効化しないと使えなくなる (この期限は当初2026年7月7日とされていましたが、のちに5日間延長されて7月12日になりました。

By Qualiteg プロダクト開発部
AI時代のデータ漏洩防止の要諦とテクノロジー:第2回 従来型DLPを超えて、AI-DLPが解決すべき本質的課題

AI時代のデータ漏洩防止の要諦とテクノロジー:第2回 従来型DLPを超えて、AI-DLPが解決すべき本質的課題

こんにちは! 前回の記事では、AI時代のデータ漏洩防止における技術的な基礎として、HTTPSインターセプトの仕組みと限界について詳しく解説しました。プロキシサーバーによるSSL/TLS通信の復号化、中間CA証明書の運用、そして証明書ピンニングという技術的制約まで、企業がWeb通信を監視する際の技術的な現実を明らかにしました。 しかし、これらのプロキシ技術は、実は既存のDLP製品でも広く採用されている一般的な手法です。メール監視、ファイル転送の制御、Webアクセスの監査など、従来型のデータ漏洩防止においても、HTTPSインターセプトは中核的な役割を果たしてきました。 では、なぜAI時代において新たにDLPを考え直す必要があるのでしょうか。 前回にひきつづき、従来型DLPでは対応できないAI固有の課題と、AI-DLPとして新たに考慮すべき要素に焦点を当て、より本質的な議論を展開していきます。 1. AI時代が要求する新たなDLP要件 従来のDLP製品は、クレジットカード番号や社会保障番号といった定型的なパターンの検出において優れた実績を持っています。これらの技術は今後も重要な

By Qualiteg プロダクト開発部, Qualiteg コンサルティング
Claude Fable 5はこれからどうなる? 経緯・コスト・今後の見通しをファクトベースで整理する

Claude Fable 5はこれからどうなる? 経緯・コスト・今後の見通しをファクトベースで整理する

こんにちは! 2026年7月2日(日本時間)、日本からもClaude Fable 5が再び利用できるようになりました。 2026年6月に大きな注目を集めて登場し、わずか3日で米政府の指令により停止、そして7月1日(米国時間)に復活したAnthropicの最上位モデル「Claude Fable 5」。 復活と同時に 「サブスクで使えるのは7月7日まで」 という条件が付いたことで、利用者の間ではコストへの懸念の声も見られます。 本記事では、憶測と事実を切り分けながら、 (1)これまでの経緯、 (2)確定している料金体系、 (3)実際のコスト試算、 (4)今後の見通し、 の4点を整理します。確定情報(ファクト)と筆者の推測は明確に区別して書きます。 ※本記事の日付は、特記のない限りAnthropicの発表に基づく米国時間を基準としています。 なお当ブログでは、Fable 5 / Mythos 5についてリリース直後の技術解説、米政府指令による停止が示した可用性リスクの考察、Fable 5の安全分類器がClaude Code上で実際にどう振る舞ったかの体験記を公開してきました。

By Qualiteg コンサルティング
モデルを「壊さずに」ドメインを広げる ― XLM-RoBERTa 継続学習の設計ノート

モデルを「壊さずに」ドメインを広げる ― XLM-RoBERTa 継続学習の設計ノート

こんにちは、Qualiteg研究部です。 今日は「すでに完成している強いモデルを、壊さずに広げる」という、地味だけど実務でとても大事なテーマを取り上げたいと思います。 機械学習に取り組んでいると、 「一度しっかり仕上げたモデルを、新しい用途やデータに合わせてもう少し広げたい」 そんな場面はよく出てきます。 今回ご紹介するNER(固有表現抽出)のシーンに限らず、いろいろなタスクで共通する悩みではないでしょうか。 ところが、ここで素朴に追加学習をかけると、せっかくの強みがあっさり崩れてしまう。 私たちは、PII(個人特定情報や要配慮情報)を検出・マスキングするエンジン(PII-FI)を構築する際、実際にそれを経験しました。 Precision(適合率)が 0.83 から 0.17 まで転げ落ちる、なんてことも本当に起きるんです。 PII検出では、ドメイン(分野)ごとに検出したいPII型の種類や求められる精度が異なる場合があります。そこで1つのエンジンといっても、対応ドメインを広げていくたびに(そのドメインに適応させるための)追加学習が求められることがあります。 本稿は、そう

By Qualiteg 研究部