AMD EPYC Venice 基准测试令 Nvidia Vera 承压
AMD EPYC Venice 基准测试给 Nvidia Vera 带来新的压力,据称其在一项整数吞吐量测试中实现了 93% 的代际提升。该结果对应的是特定服务器配置和工作负载,而非所有采用 AMD 新一代 Zen 6 处理器架构的应用。更关键的问题在于,AMD 能否在围绕 AI 系统的混合工作负载中挑战 Vera。
Tom’s Hardware 测试了高密度 EPYC 9996 和侧重频率的 EPYC 9686F,报告结果区分了最大并发输出与应用响应能力。其评测提供了 AMD 宣传性对比之外的独立测试。本文分析已发布的证据;并不提供 remio 进行的测试。
核心竞争在于 AMD 可广泛部署的服务器平台,与 Nvidia 面向 AI 基础设施的高度整合方式之间的较量。买家需要的处理器既能执行应用代码、搬运数据,又能支持加速器,同时不造成高昂的瓶颈。Venice 加强了 AMD 的论点,但要选出赢家,仍需理解每项基准测试衡量的是系统的哪个部分。
AMD EPYC Venice 基准测试将发布主张转化为可验证结果
Venice 的到来使讨论从预期规格转向已出货服务器平台中可测量的表现。
AMD 于 2026 年 11 月 10 日宣布第六代 EPYC SP7 处理器全面上市。该公司表示,服务器厂商正在交付系统,Microsoft Azure 和 Oracle Cloud Infrastructure 实例随后也将推出。这些区别很重要:实体服务器的可用性并不代表每个云区域或采购渠道都会立即可用。AMD 的 EPYC SP7 可用性公告确定了这一商业里程碑,而其性能表述仍属于厂商主张。
这一里程碑为基础设施团队提供了具体可评估的对象。买家如今可以将已提供的服务器配置与现有部署进行比较,而不必围绕路线图预期来构建采购理由。有意义的比较单位成为一套完整系统,包括其内存、散热要求、软件和运行策略。
Tom’s Hardware 的 Venice 吞吐量测试使用了双路服务器,即每台机器包含两颗处理器。其 EPYC 9996 配置提供了 512 个核心和 1,024 个硬件线程,即软件可用的执行上下文。报告中的 93% 提升,是将该系统与一台双 EPYC 9965 服务器在估算 SPEC CPU 2026 整数吞吐量上的表现进行比较所得。
SPEC 是一套标准化处理器基准测试套件;吞吐量测试衡量的是并发工作能力,而不是单个孤立任务的完成时间。Tom’s Hardware 将结果标为估算值,因为尚未将其提交至 SPEC。该限定涉及发布状态,并不意味着这些数字来自模拟。
这一区别改变了读者应如何理解标题中的结论。当应用可独立运行并能跨可用执行资源扩展时,吞吐量提升可支持整合部署的论点。但它并不能证明数据库查询、软件构建或交互式请求会以相同比例更快完成。
报告观察结果与识别其原因之间也存在区别。较新的服务器可能借由更多核心、更快内存、不同的软件优化,以及每个核心内部的变化实现性能提升。除非测试特意隔离这些变量,否则系统基准测试只能反映它们的综合效应。
对买家而言,眼下的发展是获得了更有力的证据来评估 AMD 与 Nvidia。该评测提供了将 Venice 纳入验证流程的理由,但并不能免除在目标部署约束下复现相关工作负载的必要性。
这也是为何除最高核心数型号外,较小的侧重频率处理器也值得关注。买家并不总是需要最大的并发工作池,他们需要的是单项任务速度与机器可持续提供的有效工作量之间的恰当平衡。
压力落在 AI 主机选择上
当买家评估 AI 模型周边的 CPU 工作时,AMD 对 Nvidia 的挑战才具备商业意义。
CPU,即中央处理器,负责执行通用应用指令。加速器处理特定的高计算密度操作,但可运行的应用还依赖编排、存储访问、网络和其他服务。仅改善加速部分,周边任务仍可能限制整体性能。
设想一家工程组织内部使用的假想编程助手。一次请求可能需要检索代码仓库上下文、调用模型、执行生成的代码并验证结果。模型执行只是整个流程的一部分,应用仍需要响应迅速的进程来完成检索、编译、测试和返回答案。
这一例子是分析情景,而非经过测量的 Venice 部署。其目的在于说明:即使加速器规格主导采购讨论,服务器处理器竞争为何依然重要。再快的模型也无法弥补工作流其他环节的所有延迟。
AMD 的通用型方案给了买家独立考察主机的理由。已经运行兼容应用软件的团队,可以研究替换处理器,而无需假定整个 AI 平台都必须改变。兼容性仍需要对库、部署镜像、监控和安全控制进行验证。
Nvidia 则通过平台叙事应对同一问题。在其 Vera CPU architecture中,该公司介绍了 88 个定制 Olympus 核心,以及集成的内存和连接设计。Nvidia 还宣称其在智能体沙箱工作负载中具备优势,即执行智能体工具的隔离环境。这些主张描述的是 Nvidia 所选择的对比项目,也需要接受与 AMD 主张同样严格的审视。
因此,压力并不只落在处理器设计商身上。服务器厂商必须说明哪种配置适合某项应用,云服务提供商则必须披露足够细节,以便客户比较实例。企业买家必须决定,对于其特定软件栈而言,整合优势是否胜过灵活性。
采购团队还需要识别真正的约束条件。如果应用在等待外部服务,更快的本地执行可能只带来有限的用户可见改善。如果编译或数据准备占主导地位,额外的 CPU 能力就可能更有价值。瓶颈决定基准测试优势的重要程度。
在这里,AMD Venice 与 Nvidia Vera 更适合作为部署问题,而非品牌竞争来看待。无论是架构标签还是标题性分数,都无法指出每项 AI 服务的最佳主机。相关比较应将处理器行为与已完成的应用工作联系起来。
Venice 通过为买家提供另一种值得测量的配置,形成竞争压力。对 Nvidia 的回应必须通过应用层整合和持续服务性能来评估。采购决策应将这些属性与工作负载相联系,而不是将任一公司的首选基准测试视为普遍答案。
Zen 6 扩展执行能力,但软件决定回报
架构改进为应用提速创造机会;软件和数据移动决定其中有多少机会能转化为可用性能。
一项有价值的 AMD Zen 6 解读,首先应从处理器不同的设计目标开始。AMD 的 Zen 6 architecture概述区分了针对频率优化的经典核心,以及针对密度和低电压效率优化的高密度 Zen 6c 核心。两者均支持相同的指令集,即软件可请求的操作词汇。
AMD 列出了每个插槽最多 96 个经典核心或 256 个高密度核心。其文档还规定了 16 个内存通道,即处理器访问已安装内存时所通过的独立连接。这些规格表明,Venice 必须被视为服务于不同工作负载的一系列系统进行评估。
架构概述包含 FP16 支持,即针对半精度 16 位浮点值的指令。较低精度可能适合特定数值操作,但其价值取决于应用要求。软件必须支持该操作,而且任务必须能够接受降低后的数值精度。
处理器提供的指令并不会自动改变应用的执行路径。编译器,即将源代码转换为可执行指令的软件,必须生成合适的代码。库和运行时决策同样可能决定新能力是否会得到利用。
这在硬件支持与生产环境收益之间形成了重要区分。为旧机器保守构建的应用可以正常运行,同时却不使用较新的指令。重新构建应用或选择经过优化的库可以改变这种结果,但也会引入验证要求。
相同逻辑也适用于内部调度改进。指令调度器在遵守操作之间依赖关系的同时,选择已准备好的操作进行执行。当软件提供足够多的独立工作时,扩展执行资源才会有所帮助。若应用主要受制于依赖操作或等待内存,则面临的是不同约束。
缓存,即靠近处理器核心的小型高速存储,也增加了另一层依赖。反复访问相邻数据的工作负载,与流式处理大型数据集的工作负载可能表现不同。因此,有利的计算结果并不能证明每个内存密集型应用都会获得同样的收益。
内存放置同样重要。AMD 记录了 NUMA,即非统一内存访问,其中访问时间取决于核心与其内存之间的关系。将工作负载放置在接近其数据的位置可能影响性能,尤其是在系统包含多个处理器时。
对运营人员而言,这些机制说明配置细节为何应与基准测试结果并列考虑。线程放置、库的选择和内存分配都会影响额外执行能力是否有帮助。服务器规格描述可用资源;应用决定这些资源被利用得多有效。
这就是 AMD EPYC Venice 基准测试的实际边界。它们可以揭示计算能力与平台能力的有希望组合,却无法给出脱离软件、内存行为和所测任务结构的通用 Zen 6 提升百分比。
技术上有价值的比较应当区分解释与观察结果。架构可以为性能提升提供合理原因。受控测量则用于确定哪些原因在特定应用中真正重要,以及其影响是否能在部署环境的运行约束下持续存在。
Vera 保留了 CPU 吞吐量图表未能体现的优势
当内存和加速器连接会影响应用的关键路径时,赢得处理器基准测试并不能决定平台之间的胜负。
StorageReview 的独立 Venice 平台测试为简单的胜利叙事提供了有益的平衡。其结果显示,数据库表现因引擎而异,而 Vera 在原始内存带宽和互连性能方面仍保有优势。这些观察结果使得“Venice 在所有重要服务器工作负载中都获胜”的宽泛说法难以成立。
同一评测还测量了在处理器保持不变的情况下更换内存所带来的影响。将一对 EPYC 9996 处理器使用的内存从 DDR5-8000 更换为 MRDIMM-12800 后,STREAM Triad 带宽提高了 58%。STREAM 测量持续内存传输性能;MRDIMM 是为支持更高传输速率而设计的带缓冲内存模块。
这一例子很重要,因为内存升级无需改变处理器架构即可改变测试结果。它也说明,服务器比较需要明确已安装的内存配置,而不能只引用 CPU 型号。所提供的生产配置必须与受测机器足够接近,才能支撑采购层面的论证。
StorageReview 还指出,Vera 的 NVLink-C2C 连接提供的跨远程插槽带宽显著高于 AMD 的对应连接。互连是组件之间的通信路径。它的价值取决于应用通过该路径传输数据的频率。
大部分工作都保持本地执行的应用,或许难以从处理器之间更快的连接中获得明显收益。另一个反复访问远程数据的应用,则可能面对不同的权衡。孤立计算分数最高的配置,并不必然拥有最短的应用完成时间。
加速器通信带来了相关的考量。如果某个工作流经常在主机与加速器之间传输或共享数据,就应直接测量连接行为。即使 CPU 专项测试准确测量了其设计目标中的处理器工作,也无法完整代表这种交互。
这正是应当保持 AMD Venice 与 Nvidia Vera 比较中立性的最有力理由。AMD 的结果挑战了这样一种假设:Nvidia 的整合能力使通用处理器竞争变得无关紧要。Vera 的平台特性则挑战了另一种假设:CPU 吞吐量领先足以解决所有基础设施决策。
数据库结果也从软件层面说明了同一点。归入同一类别的应用可能使用不同的算法、同步模式和内存访问行为。一个引擎的结果不应被悄然扩展为关于所有数据库的结论。
买家还应区分已观察到的平台优势与可迁移的架构优势。某项结果属于经过测试的软件和硬件配置。要将其迁移到另一台机器,必须核查使原始结果成为可能的资源与策略。
逐渐显现的图景是竞争性的,而非绝对性的。对于计算密集型和高并发应用工作,Venice 值得考虑。对于其整合能力和数据移动特性与工作负载相匹配的场景,Vera 值得考虑。应用的执行路径决定了哪一项优势具有更大的实际权重。
配置差异限制了宽泛结论
最有力的基准分析会在将功劳归于处理器核心之前,先解释系统之间发生了哪些变化。
Tom’s Hardware 的比较在不同平台上采用了不同的内存配置,并为 Venice 与其他处理器使用了不同的编译器版本。该媒体披露了这些选择并说明了回归检查。读者在引用其结果时应保留这一背景,而不应将完整系统层面的观察结果转化为仅针对核心的结论。
比较服务器有多种合理方式。以各平台偏好的受支持配置进行测试,反映的是采购决策。尽可能保持资源一致,则有助于研究架构行为。两种方法都无法回答所有问题,在解读排名前应明确比较目的。
Phoronix 通过其 EPYC Linux 测试提供了另一个方法论示例。其最初的 9686F 评测在被比较系统上使用 Ubuntu 26.10 和 Linux 7.3。该媒体明确排除了 Vera,因为缺少一台能使用相同软件栈和基准测试版本进行干净比较的机器。
这一披露是有关适用范围的宝贵证据。即便没有涵盖所有竞争者,评测仍可能有价值;承认访问条件缺失会提升其可解释性。整合来自不同测试会话的结果,需要比在同一受控流程下比较机器更加谨慎。
功耗同样值得严谨对待。处理器的额定限制并不能描述整个服务器在完成有用工作时的耗电量。内存、散热、网络和其他组件都会产生贡献。每瓦性能,即相对于功耗完成的工作量,需要明确的测量边界。
研究整合的买家还应考察低于最大负载时的运行行为。服务器未必会始终连续运行吞吐量基准测试。空闲时段、需求波动和响应时间目标都会影响某种配置的实际价值。
延迟,即完成一项请求所需的时间,需要与总体吞吐量分开关注。一个系统可以总体完成更多工作,同时让部分请求等待更久。交互式应用需要一项关于可接受延迟的策略,而不只是追求最大的输出数字。
在考虑 AI 应用的并发工具执行时,这一点尤其相关。增加工作线程数量可能暴露存储、内存或共享服务中的争用。只有当这些其他资源允许应用利用额外处理器能力时,新增的处理器容量才有价值。
所提供的简报还指向了对消费级 Zen 6 的预期。服务器证据无法确立桌面游戏性能、消费级时钟行为或未来产品的规格。不同的内存系统、功耗约束和软件需求,阻止了将服务器吞吐量直接转换为桌面端结果。
因此,一篇解读 AMD Zen 6 的报道应在证据止步之处保留不确定性。架构分析可以识别值得测试的机制,但无法保证尚未发布的硬件或未经测量的软件会有何种结果。
比较供应商的团队应将来源版本、配置说明和测试定义与结论一同保留。一个 可搜索的知识库可帮助工程师回顾早期评估为何倾向于某个系统。当软件更新或修订后的服务器产品改变比较结果时,这些记录将变得有用。
三个信号将澄清 Venice 的定位
下一批有价值的证据将连接可交付配置、受控比较与应用行为。
第一个信号是可识别的生产配置得到更广泛供应。AMD 的发布确认了 SP7 的可用性,但买家仍需了解他们实际能够获得的内存选项、固件支持和云实例特性。可复现的服务器规格能使独立结果更具可操作性。
如果云端和服务器产品与成功评测中的配置高度匹配,那么将这些结果应用于实际部署的理由会更充分。如果可用机器使用了实质不同的资源,买家就需要新的测量结果。可用性之所以重要,是因为除非相关配置可获得,否则基准优势无法指导部署。
第二个信号是可直接比较的 AMD 与 Nvidia 测试增加。最具参考价值的工作会披露软件版本、编译器选择、内存配置和运行限制。它应当区分平台在最大受支持配置下的性能,与旨在隔离特定架构差异的实验。
如果 Venice 在受控应用测试中反复展现优势,将强化 AMD 的挑战。如果结果显示排名高度依赖内存或软件选择,则会缩小该主张的适用范围。无论哪种结果,都会改善决策,因为它指出了竞争优势实际所在。
第三个信号是纳入完整工作流的应用测试。对于 AI 服务,这意味着同时测量检索、工具执行、模型交互和支撑基础设施。对于其他工作负载,这意味着选择决定运营成功的真实事务、仿真或构建流程。
如果 Venice 的处理器提升能在生产约束下缩短应用完成时间,其价值就超越了基准领先地位。如果改进被另一项瓶颈所掩盖,处理器结果依然有效,但决定性会更弱。应用测量能够确定实际后果。
这些信号也应当约束对未来产品的预期。两家供应商都无需赢下每一种工作负载才能保持竞争力。每家都需要证明,在买家能够复现的条件下,其配置能更好地服务于一组有意义的应用。
AMD EPYC Venice 基准测试已经足以证明,应更认真地评估主机处理器。它们证明,不应将 AI 基础设施视为仅由加速器决定的采购选择。它们也表明,相比“通用赢家”的标签,特定工作负载的结果更值得重视。
在下一次服务器评估中,从带来最大运营压力的应用开始。保留其软件版本,定义可接受的响应时间,并记录完整的硬件配置。在这些条件下比较有用工作,然后分析是哪一个组件造成了差异。让 CPU 吞吐量、内存行为和加速器通信在最终评估中保持可见。要求供应商解释其公开结果与你的测量之间的任何差距。一项基于这些证据的决策,会在发布新闻的热度消退后仍然有用。哪一种系统能在你的部署必须满足的限制内完成真实工作负载?



