Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Cerebras Systems kvíz
Explains wafer-scale integration, on-wafer communication, redundancy, and version-specific WSE-3 and CS-4 product details.
kérdés 1 -ból 8
Mi a szokatlan a Cerebras Wafer-Scale Engine kialakításában?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a szokatlan a Cerebras Wafer-Scale Engine kialakításában?
- Ez egy teljes processzor, amely egyetlen teljes szilícium lapkára épül
- Ez a világ legkisebb AI chipje
- Teljesen áram nélkül működik
- Szilícium helyett műanyagból készült
- Miért javítja a mesterséges intelligencia teljesítményét, ha az összes magot egy ostyán tartja?
- Így olcsóbban szállítható a chip
- Az adatok gyors, chipen lévő vezetékeken haladnak át a lassú külső hálózatok helyett
- Nincs szükség semmilyen szoftverre
- Lehetővé teszi, hogy a chip a folyadékban lebegjen
- Körülbelül hány tranzisztort tartalmaz a WSE-3?
- Körülbelül 4 ezer
- Körülbelül 4 millió
- Körülbelül 4 billió
- Körülbelül 4 száz
- What is one Cerebras system-level capability advertised for its CS-4 rack-scale system?
- It uses only a single CPU and no AI accelerator
- It replaces every model with a database
- It guarantees the same speedup on every workload
- It combines multiple wafer-scale processors in a rack-scale platform
- Hogyan kezeli a Cerebras a gyártási hibákat egy ekkora chipen?
- Redundáns magokat és útválasztást használ a hibás helyek megkerülésére
- Minden ostyát kidob, bármilyen hibával együtt
- Figyelmen kívül hagyja a hibákat, és elküldi a törött chipeket
- Minden tranzisztort kézzel, kézzel javít
- What are the WSE-3 specifications Cerebras reports in its product materials?
- Four billion transistors and 900 cores
- Four trillion transistors and about 900,000 AI-optimized cores
- One thousand transistors and one million CPU sockets
- A fixed count of parameters for every model
- How can a wafer-scale processor route around manufacturing defects?
- Assume every fabricated core is perfect
- Move all computation to a hard drive
- Use redundant cores and routing so defective regions can be bypassed
- Rebuild the silicon after deployment
- Why can on-wafer memory and communication benefit some AI workloads?
- They eliminate every computation bottleneck
- They make all models fit in one core
- They guarantee lower latency for every task
- They can reduce data movement between separately packaged processors and memory