Produção em Massa do SEMIFIVE Bertha Começa, mas a Implantação pelos Clientes é o Verdadeiro Teste

A produção em massa do SEMIFIVE Bertha começou no processo de 4 nm da Samsung Foundry, levando o acelerador de inferência para LLMs da HyperAccel além das amostras e para a fabricação inicial em volume.

O anúncio de 8 de setembro é relevante porque o Bertha mira um mercado ainda dominado pelas GPUs da Nvidia e por seu ambiente de software maduro. A HyperAccel aposta que um processador projetado especificamente para inferência de modelos de linguagem pode oferecer melhor utilização, eficiência energética e economia operacional.

No entanto, fabricar não é o mesmo que implantar para clientes. A HyperAccel ainda precisa transformar o silício finalizado em placas aceleradoras qualificadas, comprovar seu software em cargas de trabalho de produção e garantir pedidos subsequentes. Essa distinção define o verdadeiro significado da notícia.

A Produção em Massa do SEMIFIVE Bertha Vai Além da Fase de Protótipo

A mudança imediata é a fabricação comercial, e não apenas mais uma especificação de chip ou benchmark de laboratório.

De acordo com o anúncio da produção em massa, a SEMIFIVE começou a produzir o acelerador de inferência para data centers da HyperAccel. As empresas chamam o chip de Bertha, enquanto a HyperAccel comercializa o produto completo como Bertha 500.

A SEMIFIVE descreve este como seu primeiro projeto de fabricação em larga escala usando o processo de 4 nm da Samsung Foundry. A empresa também afirma que o contrato inicial de produção deve levar a pedidos de compra adicionais à medida que a HyperAccel expande seus serviços.

Esses pedidos subsequentes são esperados, não garantidos. O anúncio não informa volume de wafers, quantidade de unidades enviadas, taxa de aceitação pelos clientes ou valor contratual do Bertha. Tampouco identifica uma data de disponibilidade geral.

O marco de fabricação sucede um acordo de desenvolvimento anunciado em outubro de 2024. Esse contrato de desenvolvimento originalmente previa o primeiro trimestre de 2026 para a produção.

Assim, o anúncio de setembro chega mais tarde do que a meta original. Ainda assim, estabelece um progresso significativo, porque produzir um acelerador grande exige mais do que concluir seu projeto lógico.

O Bertha supera 500 milímetros quadrados, segundo a SEMIFIVE. Um die é o chip individual cortado de um wafer de silício processado. Dies maiores expõem uma área maior a defeitos potenciais e normalmente criam exigências mais rigorosas de energia, resfriamento, encapsulamento e rendimento.

O rendimento mede a parcela dos dies fabricados que atende aos padrões operacionais exigidos. Ele afeta diretamente o custo, pois dies defeituosos consomem área valiosa do wafer sem se tornarem produtos vendáveis.

A SEMIFIVE afirma ter conduzido o projeto front-end, a verificação, o encapsulamento, os testes e o fornecimento em volume. Esse papel turnkey posiciona a empresa entre a arquitetura de processador da HyperAccel e as instalações de fabricação da Samsung.

Essa posição é comercialmente importante. Muitas startups de IA conseguem projetar processadores especializados, mas menos conseguem gerenciar a cara transição dos arquivos de projeto para sistemas testados.

A SEMIFIVE já levou outros chips personalizados à produção. A empresa cita o processador de segurança Wisenet 9 da Hanwha Vision e o chip de computação de alto desempenho de um cliente japonês não identificado.

O Bertha amplia esse histórico para a inferência em data centers. Também oferece à SEMIFIVE um projeto de referência envolvendo um die grande em um nó avançado de fabricação.

A empresa reportou KRW 42,3 bilhões em novos pedidos de produção em massa durante o primeiro semestre de 2026. Esse número abrange o negócio mais amplo da SEMIFIVE, não apenas o Bertha.

A contribuição do Bertha dependerá de pedidos posteriores. O marco atual mostra que o pipeline de fabricação funciona, mas ainda não estabelece uma demanda recorrente.

É por isso que o anúncio cria tensão, em vez de resolvê-la. A HyperAccel agora tem silício entrando em produção, enquanto a comprovação comercial mais difícil ainda está por vir.

Por Que o Bertha Mira a Economia da Inferência de LLMs

A HyperAccel não está tentando criar um substituto universal para GPUs; ela está atacando os custos de memória e utilização do atendimento de modelos de linguagem.

Inferência é o processo de executar um modelo treinado para responder a prompts ou gerar tokens. Ao contrário do treinamento, a inferência se torna uma despesa contínua sempre que um produto de IA atende usuários.

Um modelo de linguagem move repetidamente pesos da memória enquanto produz saída. Esse comportamento pode fazer da largura de banda de memória, e não da capacidade matemática bruta, o gargalo prático.

GPUs de uso geral contêm recursos para muitas cargas de trabalho. Essas capacidades tornam as GPUs flexíveis, mas algumas unidades de computação podem permanecer subutilizadas durante a geração de tokens limitada por memória.

A HyperAccel chama seu projeto de LPU, ou unidade de processamento de latência. A arquitetura organiza o hardware e a movimentação de dados em torno da inferência de transformadores, em vez de suportar a gama mais ampla de cargas de trabalho das GPUs.

O projeto publicado pela empresa usa acesso otimizado à memória para manter os pesos dos modelos fluindo para as unidades de execução. Ele também busca reutilizar parâmetros entre núcleos e reduzir a capacidade de computação ociosa.

O artigo de arquitetura da HyperAccel descreve um link de sincronização expansível para coordenar múltiplos processadores. O projeto sobrepõe comunicação e computação, reduzindo o tempo que os processadores esperam uns pelos outros.

Esse recurso importa quando um modelo não cabe na memória de um único acelerador. Grandes implantações dividem o modelo entre vários dispositivos, tornando a sincronização uma fonte importante de atraso.

O artigo também apresenta o HyperDex, o ambiente de compilador e runtime da HyperAccel. O HyperDex pretende conectar interfaces de modelos conhecidas ao conjunto de instruções personalizado da empresa.

O hardware sozinho não consegue atender uma aplicação. Operadores também precisam de drivers, compiladores, suporte a modelos, ferramentas de monitoramento, agendamento e integrações com frameworks de serving existentes.

A HyperAccel afirma que o HyperDex oferece suporte a PyTorch, ONNX, vLLM e interfaces semelhantes às ferramentas Hugging Face. Essas alegações de compatibilidade abordam uma preocupação central de clientes que consideram infraestrutura não baseada em GPUs.

O Bertha 500 combina a arquitetura LPU com oito canais de memória LPDDR5X e conectividade PCIe Gen5. A LPDDR5X oferece menor custo e consumo de energia que a HBM normalmente usada por aceleradores de ponta.

Essa escolha de memória estabelece a principal troca do Bertha. A HyperAccel aceita menor largura de banda de pico do que uma GPU baseada em HBM e, então, tenta usar uma porcentagem maior da largura de banda disponível.

As especificações publicadas do Bertha listam 546 GB por segundo de largura de banda de memória. Elas também listam 128 GB de memória, expansíveis para 256 GB, e uma potência térmica de projeto de 250 watts.

A HyperAccel lista 384 trilhões de operações FP16 por segundo e 768 trilhões de operações FP8 por segundo. Formatos de menor precisão reduzem o uso de memória e aumentam o throughput quando os modelos preservam precisão aceitável nessas configurações.

O acelerador suporta tamanhos de lote de um a 1.024, segundo a empresa. O tamanho de lote mede quantas solicitações ou sequências o sistema processa em conjunto.

Lotes grandes podem melhorar o throughput total, mas aplicações interativas também se preocupam com a latência de resposta. Portanto, uma comparação útil em produção precisa informar carga de trabalho, modelo, precisão, tamanho de lote, comprimento de sequência e meta de latência.

A HyperAccel afirma que o Bertha produz 1.645 tokens por segundo em sua comparação, contra 804 para uma Nvidia H100. Também afirma oferecer eficiência de custo 19 vezes maior e eficiência energética 12 vezes maior.

Esses números são benchmarks da empresa. A página pública do produto não fornece metodologia de teste suficiente para tratá-los como comparações independentes.

O artigo de arquitetura anterior apresenta resultados mais moderados. Ele reporta 1,33 vez a eficiência energética de um servidor com duas H100 ao executar um modelo OPT 66B.

Essa diferença não torna necessariamente nenhum dos resultados incorreto. O artigo avaliou uma arquitetura modelada e uma configuração anterior de servidor, enquanto a página do produto descreve o Bertha 500.

No entanto, a diferença mostra por que uma metodologia precisa é importante. Compradores precisam de resultados reproduzíveis de sistemas enviados, não de proporções isoladas extraídas de configurações diferentes.

O Principal Adversário é a Vantagem de Software da Nvidia

O Bertha compete contra um ambiente operacional construído em torno da Nvidia, e não contra uma única especificação de GPU.

A posição da Nvidia se baseia em mais do que desempenho de processador. Desenvolvedores já usam bibliotecas CUDA, kernels otimizados, frameworks de implantação, ferramentas de gerenciamento e serviços de nuvem estabelecidos.

Essa base instalada reduz o risco operacional. Equipes de infraestrutura sabem como os sistemas de GPU se comportam, enquanto fornecedores de software testam rotineiramente seus produtos em hardware da Nvidia.

Um acelerador especializado pode vencer um benchmark e ainda perder a decisão de compra. Trabalho de migração, cobertura de modelos, ferramentas de depuração, confiabilidade e familiaridade da equipe afetam o custo operacional total.

A resposta da HyperAccel é compatibilidade, e não isolamento. A empresa afirma que o HyperDex oferece suporte a frameworks de modelos amplamente usados e fornece ferramentas de desenvolvimento de software para implantação, otimização e profiling.

A empresa também lista suporte para famílias de transformadores, incluindo Llama, Qwen, Mistral, DeepSeek, Falcon e Gemma. O suporte real pode variar entre versões de modelos, operadores, métodos de quantização e comprimentos de contexto.

Os clientes precisarão verificar esses detalhes com suas próprias cargas de trabalho. Uma equipe de compras que executa geração aumentada por recuperação tem requisitos diferentes dos de um provedor que atende modelos de raciocínio com contexto longo.

Ainda assim, o foco do Bertha lhe dá uma abertura clara. Um provedor de nuvem com cargas de inferência estáveis pode valorizar throughput e consumo de energia previsíveis mais do que flexibilidade arquitetural máxima.

Uma implantação privada também representa um caso de uso plausível. Uma empresa poderia executar um conjunto fixo de modelos internos em servidores dedicados sem precisar de todas as capacidades de uma plataforma de GPU de uso geral.

Serviços de consumo em alto volume criam outra oportunidade. Pequenas melhorias no uso de energia ou na densidade de servidores podem se acumular quando um sistema gera bilhões de tokens.

Ainda assim, a especialização também reduz a margem para erros. Se as arquiteturas de modelos mudarem mais rapidamente do que o hardware e o compilador da HyperAccel conseguem se adaptar, a flexibilidade das GPUs se torna mais valiosa.

A Nvidia também pode otimizar a inferência por meio de software, menor precisão e novas gerações de aceleradores. Assim, o Bertha compete contra um alvo em movimento.

A HyperAccel não é a única empresa a buscar inferência especializada. O Google usa TPUs em seus próprios serviços e plataforma de nuvem. A Amazon oferece chips Inferentia, enquanto a Groq enfatiza a geração determinística de tokens por meio de sua própria arquitetura de processador.

Essas alternativas validam a ideia de que a infraestrutura de IA pode suportar vários tipos de processadores. Elas também intensificam a concorrência pelos mesmos clientes dispostos a ir além das GPUs.

A diferenciação do Bertha se concentra no uso eficiente de memória, na capacidade LPDDR5X e na execução específica para transformadores. Essa combinação precisa gerar economias após as despesas de software e migração.

A evidência mais forte viria de um cliente operando o mesmo modelo sob metas equivalentes de nível de serviço. Esse teste deveria incluir latência, throughput, disponibilidade, energia e esforço de engenharia.

Sem essas evidências, Bertha continua sendo uma alternativa técnica crível, e não um substituto econômico comprovado. A etapa de produção em massa fornece aos clientes hardware real para testar, o que ainda representa uma melhoria substancial em relação à simulação.

A pressão de curto prazo recai tanto sobre outros aceleradores emergentes quanto sobre a Nvidia. As startups agora precisam competir com um produto Bertha que já entrou em fabricação.

Se a HyperAccel garantir implantações recorrentes, poderá estabelecer um parâmetro de referência para processadores específicos para LLMs. Se as implantações estagnarem, a compatibilidade com GPUs continuará sendo a vantagem decisiva.

Samsung 4nm Resolve Um Risco, Mas Cria Outro Teste

Um processo de fabricação 4nm maduro reduz a incerteza de produção, mas o grande die de Bertha ainda torna o rendimento e o comportamento térmico questões comerciais centrais.

A Samsung descreve o 4nm FinFET como uma plataforma madura, posicionada entre desempenho avançado e estabilidade de produção. O FinFET utiliza um canal de transistor elevado, que melhora o controle elétrico em comparação com projetos planares mais antigos.

A visão geral do processo 4nm da Samsung identifica especificamente inteligência artificial e computação de alto desempenho como cargas de trabalho-alvo. Também destaca fornecimento de energia, gestão térmica e rendimento de dies grandes.

Esse posicionamento se encaixa em Bertha. A área do chip ultrapassa 500 milímetros quadrados, concentrando muitas funções de processamento, controle de memória e conectividade em uma única peça de silício.

Dies monolíticos grandes podem oferecer comunicação interna rápida. Também produzem menos chips por wafer do que projetos menores e expõem cada die a mais possíveis defeitos de fabricação.

Isso torna o rendimento economicamente relevante. Mesmo um projeto funcional pode se tornar difícil de precificar se muitos dies falharem na qualificação ou exigirem frequências operacionais mais baixas.

Nem a SEMIFIVE nem a HyperAccel divulgaram o rendimento de produção de Bertha. Também não publicaram a capacidade de encapsulamento, a produção mensal esperada nem o número de aceleradores cobertos pelo pedido inicial.

Essas omissões são normais em contratos privados de fabricação. Ainda assim, limitam o que observadores externos podem concluir a partir da expressão “produção em massa”.

O anúncio também levanta uma questão de cronograma. O CEO da HyperAccel havia descrito o início de 2027 como meta para a produção em massa e o fornecimento a clientes do Bertha 500.

Uma entrevista de março afirmou que os chips iniciais entrariam em fase de ativação, seguidos pela integração em placas PCIe e por testes de prova de conceito. A entrevista identificou a Naver Cloud como cliente inicial pretendido.

A SEMIFIVE agora afirma que a produção de chips começou durante o terceiro trimestre de 2026. Os dois cronogramas podem coexistir se se referirem a etapas diferentes.

A SEMIFIVE pode estar produzindo dies qualificados antes que a HyperAccel conclua a validação no nível da placa e a fabricação mais ampla do produto. A HyperAccel pode reservar “produção em massa” para sistemas prontos para implantação pelos clientes.

As empresas não conciliaram explicitamente essas definições. Portanto, os leitores devem distinguir entre a produção de wafers e chips e a disponibilidade de aceleradores.

Essa distinção importa porque um produto para data center inclui mais do que seu processador. Ele requer uma placa, fornecimento de energia, refrigeração, firmware, drivers, qualificação de servidores e software de produção.

A classificação de 250 watts de Bertha é inferior à de muitas GPUs emblemáticas para data center, segundo a ficha técnica da HyperAccel. O consumo real do sistema também incluirá memória, rede, processadores host, ventoinhas e conversão de energia.

O comportamento térmico pode mudar conforme a carga de trabalho e a densidade de servidores. A geração sustentada de tokens em múltiplas placas oferece um teste melhor do que execuções curtas de benchmarks.

A confiabilidade cria outro obstáculo. Operadores de nuvem esperam que os aceleradores funcionem continuamente enquanto lidam com falhas, atualizações e demanda variável.

A HyperAccel precisa demonstrar que o HyperDex consegue gerenciar esse ambiente. Drivers estáveis e comportamento previsível de recuperação podem importar mais do que o throughput máximo durante um incidente de produção.

A continuidade do fornecimento também merece atenção. A maturidade do processo 4nm da Samsung deve reduzir o risco de processo, mas a HyperAccel continua dependente de capacidade de foundry, encapsulamento, testes e componentes de placas.

O modelo turnkey da SEMIFIVE pode simplificar a coordenação entre essas etapas. Ele também concentra a responsabilidade em uma relação de fornecimento jovem que ainda não demonstrou anos de entregas em volume.

Nenhuma dessas questões invalida o marco de produção. Elas definem o trabalho necessário para transformá-lo em um negócio de produtos duradouro.

O Que as Alegações de Desempenho de Bertha Ainda Precisam Comprovar

A maior incerteza não é se Bertha consegue executar um LLM; é se suas alegações de eficiência resistem a testes independentes, comparáveis e em produção.

O argumento arquitetural da HyperAccel é tecnicamente coerente. A geração autorregressiva lê repetidamente os pesos do modelo, tornando importante a movimentação eficiente de dados.

Seus relatórios de pesquisa indicam utilização de largura de banda superior a 90% em alguns testes de modelos grandes. As medições correspondentes de GPU variaram de aproximadamente 65% a 71% nessas configurações.

O artigo também relata menor consumo de energia para seu servidor LPU modelado. No entanto, grande parte da avaliação do ASIC utilizou síntese, simulação e componentes de sistema baseados em FPGA, e não o produto final Bertha 500.

Essa pesquisa sustenta a direção do projeto. Ela não valida de forma independente todas as alegações na página atual de produto da HyperAccel.

As comparações de produto exigem várias divulgações antes que compradores possam interpretá-las com confiança. O modelo exato, o comprimento de entrada, o comprimento de saída, o formato numérico, o tamanho do lote e a meta de latência afetam os resultados.

As alegações de eficiência de custo exigem premissas adicionais. Aquisição de hardware, utilização, suporte, engenharia de software, depreciação, eletricidade, refrigeração e ciclos de substituição podem mudar a conclusão.

Um chip que utiliza LPDDR5X pode reduzir o custo de memória e ampliar a capacidade de forma econômica. Ele também oferece menos largura de banda bruta do que HBM, pressionando mais a estratégia de utilização da HyperAccel.

Essa estratégia parece mais convincente durante a geração de tokens limitada por memória. Processamento de prompts intensivo em computação, modelos multimodais, decodificação especulativa e novos mecanismos de atenção podem alterar esse equilíbrio.

Bertha precisa lidar com as duas principais fases da inferência. O prefill processa o prompt do usuário, enquanto o decode gera tokens de saída sequencialmente.

Os sistemas podem otimizar essas fases de maneiras diferentes. Alguns operadores até as separam entre pools de hardware, o que cria tanto uma oportunidade quanto um desafio de compatibilidade para aceleradores especializados.

A evolução dos modelos acrescenta outra variável. Modelos mixture-of-experts ativam grupos selecionados de parâmetros, enquanto sistemas multimodais combinam texto com imagens, áudio ou vídeo.

A HyperAccel afirma que seu software comporta modelos transformer e multimodais. Testes em produção precisam demonstrar até que ponto esse suporte se estende.

A precisão é igualmente importante. Processamento em FP8, FP4, INT8 ou INT4 de menor precisão pode aumentar o throughput, mas os operadores precisam verificar a qualidade do modelo após a quantização.

As comparações devem usar metas de precisão equivalentes. Um resultado mais rápido obtido com qualidade de saída materialmente diferente não estabeleceria uma vantagem justa.

Os clientes também devem avaliar a latência de cauda, que mede respostas mais lentas próximas à extremidade da distribuição. O throughput médio pode ocultar atrasos que afetam usuários reais.

A concorrência apresenta uma questão semelhante. Bertha lista suporte para até 1.024 solicitações simultâneas, mas alto batching pode aumentar o tempo de espera de uma solicitação individual.

O ponto operacional útil depende do serviço. Um pipeline offline de processamento de documentos pode tolerar uma latência diferente da de um assistente interativo de programação.

A maturidade do software influenciará cada benchmark. A qualidade dos kernels, a alocação de memória, o agendamento de solicitações, o cache e o batching contínuo frequentemente determinam quanta capacidade de hardware se torna utilizável.

A HyperAccel tomou a medida estratégica correta ao desenvolver o HyperDex junto com o processador. A questão restante é se desenvolvedores externos conseguem operá-lo sem ampla assistência do fornecedor.

Testes independentes também devem abranger recuperação de falhas, observabilidade e atualizações. Essas qualidades raramente aparecem em páginas de especificações de produto, mas afetam fortemente os custos reais de infraestrutura.

Bertha não precisa derrotar um H100 em todas as cargas de trabalho. Precisa oferecer uma vantagem confiável dentro de um subconjunto valioso de implantações de inferência.

Esse objetivo mais restrito é alcançável em princípio. As evidências precisam vir de placas enviadas, cargas de trabalho de clientes e medições reproduzíveis.

Três Sinais Determinarão Se a Produção Se Tornará Adoção

Qualificação por clientes, pedidos repetidos de fabricação e benchmarks transparentes mostrarão se a produção em massa do SEMIFIVE Bertha criou uma plataforma sustentável.

O primeiro sinal é a qualificação bem-sucedida de um sistema com um cliente identificado. A HyperAccel já havia nomeado a Naver Cloud como destinatária inicial pretendida e descrito testes de prova de conceito.

Uma implantação confirmada conectaria o silício fabricado pela Samsung a uma carga de trabalho real em nuvem. Ela deveria identificar a classe de modelo, o ambiente de serviço e o papel desempenhado por Bertha.

O uso em produção importa mais do que uma demonstração. Ele testaria disponibilidade, integração de software, latência, consumo de energia e suporte operacional ao longo do tempo.

Um teste adiado ou de alcance restrito enfraqueceria a interpretação comercial do anúncio de fabricação. Sugeriria que a integração das placas ou o software ainda permanecem inacabados.

O segundo sinal é um pedido de compra subsequente. A SEMIFIVE espera explicitamente pedidos adicionais à medida que os serviços da HyperAccel se expandirem.

Um pedido repetido mostraria que a produção inicial entregou dispositivos utilizáveis e que um cliente precisa de maior volume. Também sustentaria a alegação da SEMIFIVE de que a produção em massa pode gerar receita recorrente.

O tamanho desse pedido seria importante, embora empresas privadas possam não divulgá-lo. Mesmo a confirmação de volume ampliado seria mais informativa do que outra parceria de design.

A ausência de pedidos subsequentes não estabeleceria imediatamente um fracasso. Ciclos de qualificação podem levar meses, particularmente para novo hardware de data center.

No entanto, silêncio prolongado após os testes com clientes reduziria a confiança em uma adoção rápida. A capacidade de fabricação cria valor apenas quando os clientes consomem a produção.

O terceiro sinal é um benchmark reproduzível usando placas finais Bertha 500. As alegações atuais da HyperAccel incluem duas vezes o throughput, 19 vezes a eficiência de custo e 12 vezes a eficiência energética em comparação com um H100.

Essas proporções exigem condições transparentes. Um resultado crível deve informar modelo, precisão, tamanho do lote, comprimento de contexto, latência, potência do sistema e versões de software.

A participação independente fortaleceria as evidências. Um cliente, laboratório de pesquisa ou organização reconhecida de benchmarking poderia executar testes equivalentes entre sistemas Bertha e GPU.

Os resultados não precisam confirmar todas as proporções de marketing. Uma vantagem menor, mas reproduzível, em uma carga de trabalho útil ainda poderia sustentar um negócio viável.

A lição mais ampla vai além de um acelerador coreano. A infraestrutura de IA está migrando de um mercado centrado em treinamento para um ambiente de inferência mais variado.

Essa mudança abre espaço para processadores especializados porque servir modelos envolve diferentes formatos de carga de trabalho, metas de latência e restrições de custo. Nenhuma arquitetura única vence automaticamente em todas as implantações.

A SEMIFIVE concluiu agora uma parte essencial desse experimento. Seu pipeline de design e fabricação levou Bertha do desenvolvimento à produção inicial em Samsung 4nm.

A HyperAccel precisa concluir a próxima parte. Ela precisa demonstrar que sua arquitetura LPU funciona como um produto para data center disponível, gerenciável e economicamente atraente.

Os desenvolvedores devem acompanhar a compatibilidade dos modelos e as ferramentas, em vez de se concentrarem apenas na capacidade computacional anunciada. Compradores de infraestrutura devem solicitar testes com cargas de trabalho equivalentes antes de aceitar alegações amplas de eficiência.

As equipes que avaliam Bertha devem primeiro definir suas metas de nível de serviço. Em seguida, podem comparar throughput, latência, consumo de energia, precisão, esforço de integração e comportamento de recuperação sob as mesmas condições.

A próxima atualização que merecer confiança trará evidências de implantação, não mais uma proporção teórica. Até lá, a produção em massa do SEMIFIVE Bertha é um marco de fabricação crível, mas seu veredito comercial permanece em aberto.