---
title: "Rubin GPU'da HBM4 ve NVLink bant genişliği düşürüldü"
description: "Rubin GPU nihai değerlerinde HBM4 ve NVLink bant genişliği düştü, scale-out ağ arttı. NVL72 ve HGX NVL8 planlarında neyin değiştiği."
image: "https://sezer.in/wp-content/uploads/2026/11/NVIDIA-Rubin-GPU.jpg"
url: "https://sezer.in/haberler/rubin-gpu-hbm4-nvlink-revizyonu/"
date: "2026-11-02T10:36:15+03:00"
updated: "2026-11-02T10:36:15+03:00"
author: "Sezer Şanlıkan"
lang: "tr"
source: "https://sezer.in/haberler/rubin-gpu-hbm4-nvlink-revizyonu/"
---

# Rubin GPU'da HBM4 ve NVLink bant genişliği düşürüldü

NVIDIA, Rubin GPU için nihai sevkiyat değerlerini yayımladı. GPU başına HBM4 bant genişliği 22 TB/s'den 19,2 TB/s'ye, NVLink bant genişliği 3,6 TB/s'den 3,0 TB/s'ye indi, scale-out ağ bant genişliği ise 400 GB/s'den 450 GB/s'ye çıktı. HGX Rubin NVL8 sistemlerde toplam HBM4 kapasitesi de 2,3 TB'tan 2,0 TB'a düştü.

## NVIDIA Rubin nedir, ne işe yarar?

NVIDIA Rubin, NVIDIA'nın Blackwell kuşağından sonra gelen veri merkezi GPU mimarisidir. Büyük dil modellerinin training ve inference iş yükleri için tasarlandı. Tek GPU olarak, HGX tipi 8 GPU'lu sunucularda ya da Vera CPU ile birlikte rack ölçekli sistemlerde kullanılıyor. Doğrudan rakibi AMD'nin Instinct serisi veri merkezi GPU'larıdır.

## NVLink nedir, ne işe yarar?

NVLink, NVIDIA'nın GPU'ları birbirine ve uyumlu CPU'lara bağlayan yüksek bant genişlikli interconnect teknolojisidir. Birden fazla GPU'nun tek bir büyük hızlandırıcı gibi çalışması için kullanılır ve scale-up ağı olarak anılır. Model parçaları arasındaki yoğun veri trafiği bu hattan geçer. PCIe'ye göre çok daha yüksek bant genişliği hedefler.

Bu değişiklik kâğıt üzerinde kalmıyor. İlk günden sevk edilen bütün Rubin donanımı yeni değerlerle geliyor. Ön spesifikasyonla yapılmış performans ve maliyet hesapları artık geçerli değil.

Hesaplama gücü yerinde duruyor. Daralan şey, o hesaplamayı besleyen bellek ve NVLink hatları. Motor aynı, yakıt hattı incelmiş gibi düşünebilirsiniz.

## Rubin GPU'da hangi rakamlar değişti

- HBM4 bant genişliği: 22 TB/s yerine 19,2 TB/s, yaklaşık yüzde 11 kayıp. Pin başına hız 10,75 Gbps'ten 9,375 Gbps'e indi.
- NVLink: 3,6 TB/s yerine 3,0 TB/s, yüzde 17 kayıp.
- Scale-out ağ: 400 GB/s yerine 450 GB/s.
- Hesaplama: 50 PFLOPS FP4 inference (çıkarım) ve 35 PFLOPS FP4 training, değişiklik yok.

NVIDIA düşüşün nedenini açıklamadı. Yeni hız bile HBM4 standardının hedeflediği 8 Gbps'in üstünde. AMD'nin MI455X'te kullandığı 7,6 Gbps'ten de yüksek.

Vera Rubin NVL72 rack'inde oranlar aynı. Toplam bellek bant genişliği 1.580 TB/s'den 1.400 TB/s'ye, NVLink 260 TB/s'den 216 TB/s'ye indi. 20,7 TB HBM4 kapasitesi korunuyor, scale-out ağ 28,8 TB/s'den 32,4 TB/s'ye çıktı.

## Hangi iş yükü ne kadar etkilenir

Kaynak, etkinin iş yüküne göre değişeceğini söylüyor. Bu ayrımı kendi iş yükünüz için yapmanız gerekiyor.

LLM servis eden ekipler bellek bant genişliğine bakmalı. Token üretim (decode) aşamasında her adımda model ağırlıkları bellekten yeniden okunur. Bu aşama çoğu zaman hesaplama değil bellek hızıyla sınırlanır. Yani token/saniye tahmininizde ilk düzeltilecek kalem yüzde 11'lik bant kaybı.

NVLink kaybı başka bir grubu vuruyor. Bir modeli tensor parallelism ile çok sayıda GPU'ya bölüyorsanız GPU'lar arası trafik NVLink üzerinden akar. NVL72 içinde büyük modelleri parçalayan kurulumlar yüzde 17'lik düşüşü burada hissedecek.

Scale-out tarafı ise beklenenden iyi. Rack'ler arasında data parallel çalışan büyük training işleri için ek bant genişliği var. Dengenin yönü değişti: rack içi biraz zayıfladı, rack'ler arası güçlendi.

## HGX NVL8 alıyorsanız bellek bütçesini yeniden hesaplayın

En büyük kayıp tek sunucu ölçeğinde. HGX Rubin NVL8'de her GPU'nun 8 HBM4 stack'inden yalnızca 7'si kullanılıyor. GPU başına bellek yaklaşık 250 GB'a, bant genişliği 16,8 TB/s'ye iniyor. Bu, yüzde 26'lık bir bant kaybı.

Training değerleri de değişti. FP4 training 280'den 270 PFLOPS'a, FP8 training 140'tan 130 PFLOPS'a indi. FP4 inference 400 PFLOPS'ta kaldı, ağ bant genişliği 1,6 TB/s'den 1,8 TB/s'ye çıktı.

Değişiklik üç ürünü kapsıyor:

- HGX Rubin NVL8 (x86 CPU ile)
- HGX Vera Rubin NVL8 (Vera CPU ile)
- NVL8 tabanlı DGX sistemler

Model ağırlıkları ve KV cache planını tam bir Rubin GPU'nun 288 GB'ına göre yaptıysanız, hesap tutmayabilir. Uzun context window ile büyük batch çalıştıracaksanız GPU başına 38 GB civarı eksik demek. Bir modeli 8 GPU'ya sığdırmak yerine paralellik düzenini değiştirmek ya da quantization seviyesini yeniden düşünmek gerekebilir.

## Kapasite planında güncellenecekler

Sipariş ya da bulut rezervasyonu öncesinde şu sırayı izleyebilirsiniz:

- Ön spesifikasyonla hesaplanan token başına maliyet ve throughput tahminlerini yeni rakamlarla yeniden çalıştırın.
- NVL8 ile NVL72 arasındaki farkı yeniden tartın. NVL72'de bellek kapasitesi korunurken NVL8'de kesildi.
- Kubernetes'te GPU node'larına model yerleştirirken 288 GB varsayımıyla yazılmış bellek eşiklerini düzeltin.
- Bulut sağlayıcının Rubin GPU instance'larında belleği kendiniz doğrulayın.

Node'a eriştiğinizde gerçek değeri görmek için standart sorgu yeterli:

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

NVL8 bir sistemde bu çıktıyı 288 GB ile değil, 250 GB civarıyla karşılaştırın. Planınız bu sayıya göre tutuyorsa NVL8 değişikliği sizi yalnızca bant genişliği tarafında etkiler.