Auf der Supercomputing-Konferenz SC26 hat Intel erste Leistungsdaten für den Grafikprozessor D270 vorgestellt, der unter dem Codenamen Crescent Island auf der Xe3P-Architektur basiert. Die veröffentlichten Messwerte basieren auf Vorproduktions-Silizium und stellen Durchsatzsteigerungen gegenüber der NVIDIA RTX PRO 6000 Blackwell Server Edition in Aussicht.
Technische Spezifikationen und Speicherausbau
Der D270 verfügt nach Angaben des Herstellers über 32 Xe-Cores auf Xe3P-Basis sowie 256 XMX-Engines. Die Architektur unterstützt native Rechengenauigkeiten von FP4 bis FP64 mit Full-Rate-DP beziehungsweise 64 FP64-FMA-Operationen pro Rechenkern.
Beim Speicher setzt der Prozessor auf 160 GB LPDDR5X mit einer Bandbreite von 1,5 TB/s. Über Modelle von Partnerunternehmen soll die Speicherkapazität auf bis zu 480 GB skalierbar sein. Das luftgekühlte PCIe-5.0-Modell arbeitet mit einer Leistungsaufnahme von 350 W. Geplant sind laut Unternehmensangaben verschiedene Ausführungen, die von der 350-W-Luftkühlung bis hin zu Flüssigkühlungen und Dual-GPU-Konfigurationen reichen.
Resultate in Finanz- und KI-Berechnungen
Im Fokus der Präsentation standen FP64-Finanzbenchmarks im Vergleich zur NVIDIA RTX PRO 6000 Blackwell Server Edition mit einer Leistungsaufnahme von 600 W. Im European-Monte-Carlo-Test verzeichnete der D270 einen 5,9-fachen Durchsatz. Bei Black-Scholes European lag der Durchsatzfaktor bei 5,6x und beim Binomial-Test bei 4,6x.
Wer sich mit dem Einsatz leistungsstarker KI-Systeme befasst, muss heute auch die komplexen rechtlichen Rahmenbedingungen der EU berücksichtigen. Dieser kostenlose Umsetzungsleitfaden bietet Unternehmen einen kompakten Überblick über alle Anforderungen, Pflichten und Fristen des neuen AI Acts. EU AI Act in 5 Schritten verstehen
Für Black-Scholes American ergab sich ein 1,92-facher Durchsatz, womit der Durchschnitt über die vier Finanztests bei einem 4,5-fachen Durchsatz lag. Die Spanne von 1,92x bis 5,9x Durchsatz war zuvor bereits am 12. November auf dem AI Summit Seoul erwähnt worden.
Neben den Finanzberechnungen zeigte der Hersteller Daten zu KI-Anwendungen: Bei Drex 2.0 wurde eine um bis zu 29 Prozent geringere Latenz ausgewiesen, während bei Qwen 3 30B-A3B in FP8 ein Durchsatzfaktor von 1,12x erreicht wurde.
In einem Seismik-Benchmark mit einem dreidimensionalen Gitter von einer Milliarde Punkten erzielte der D270 eine Verarbeitungsleistung von 45,91 Mrd. Gitterpunkten pro Sekunde im Vergleich zu 22,52 Mrd. Gitterpunkten pro Sekunde bei der Arc Pro B70, was einem Faktor von 2,04 entspricht. Eine begleitende Seismik-Vorführung in FP32 auf der SC26 erfolgte ohne die Publikation konkreter Zahlen.
Die rasante Entwicklung von KI-Modellen führt nicht nur zu technologischen Sprüngen, sondern auch zu neuen regulatorischen Pflichten für Entwickler und Anwender. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko eingestuft werden und wie Sie die Einhaltung der gesetzlichen Regeln sicherstellen. Kostenlosen Report zur KI-Verordnung anfordern
Testbedingungen, Softwarebasis und offene Punkte
Die dargelegten Messergebnisse basieren auf spezifischen Testumgebungen. Der Testaufbau für den D270 kombinierte ein System aus einer D270-Einheit mit drei Arc Pro B70, während das Vergleichssystem von NVIDIA mit acht RTX PRO 6000 bestückt war.
Die genaue aktive Zuordnung der GPUs blieb dabei unklar. Hinsichtlich der Testmethodik lief der D270 mit SYCL und der Intel MKL, während für das NVIDIA-System das jeweils bessere Resultat aus CUDA- oder SYCL/MKL-Durchläufen herangezogen wurde.
Der Hersteller hob zudem die Unterstützung eines offenen Software-Stacks hervor. Dieser umfasst den Xe-Kernel-Treiber, Mesa, die Compute Runtime für OpenCL und Level Zero sowie SYCL, oneAPI, MPI und Fortran, wobei die Einbindung in Upstream-Linux-Zweige seit Monaten laufe. Zudem ist im Rahmen der SC26 eine Vorführung mit SambaNova SN50-RDUs zur disaggregierten Inferenz geplant.
Trotz der präsentierten Leistungswerte fehlen bislang Angaben zu Preisen, zu einem konkreten Veröffentlichungstermin sowie zu Durchsatzwerten in Form von Tokens pro Sekunde bei großen Sprachmodellen. Unabhängige Überprüfungen der Leistungswerte liegen derzeit noch nicht vor.

