상승 전환추적 후보Codex 검토InferenceMax v2는 엔비디아 Blackwell의 실제 추론 조건 성능을 다시 확인한 자료다경쟁력 검증달라진 점SemiAnalysis 주도 InferenceMax v2에서 Blackwell은 실제 AI 연구소 조건의 보편적 최적 batch size에서 H100 대비 최대 100배 가까운 성능 개선을 보였다.다르게 볼 이유출처는 이를 엔비디아의 압도적인 추론 성능으로 평가했다. Codex 검토에서는 성능 근거가 구체적이지만 고객 구매·매출 전환은 이 원문만으로 확인되지 않아 watch로 둔다.남은 확인원문만으로는 벤치마크 결과의 장기 점유율·수익성 영향은 확인되지 않는다.
원문을 바탕으로 한 Codex의 독립 판단입니다. 출처가 전한 사실·해석과 구분해 읽을 수 있습니다.
분석 대상 · SemiAnalysis InferenceMax v2 발표
이전에는
이전 상태의 비교 근거가 이 분석에 정리되지 않았습니다.
새롭게 달라진 점
SemiAnalysis 주도 InferenceMax v2에서 Blackwell은 실제 AI 연구소 조건의 보편적 최적 batch size에서 H100 대비 최대 100배 가까운 성능 개선을 보였다.
원문 근거
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
다르게 볼 이유
출처는 이를 엔비디아의 압도적인 추론 성능으로 평가했다. Codex 검토에서는 성능 근거가 구체적이지만 고객 구매·매출 전환은 이 원문만으로 확인되지 않아 watch로 둔다.
원문 근거
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
판단을 바꿀 조건
동일한 실제 사용 조건에서 경쟁 제품의 성능·비용 우위가 확인되면 이 긍정 해석은 약화될 수 있다.
원문 근거
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
판단을 뒷받침하는 근거
- 분리형 추론, wideEP, MTP, Blackwell만 하드웨어에서 지원하는 NVPF4와 Dynamo·SGLang·vLLM을 함께 쓴 조건을 제시했다.
원문 근거
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
다음 확인 지점
- 이 성능 우위가 실제 고객의 채택과 출하에 어떻게 연결되는지 확인이 필요하다.
원문 근거
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
아직 모르는 점
- 원문만으로는 벤치마크 결과의 장기 점유율·수익성 영향은 확인되지 않는다.
원문 근거 1개 펼치기
출처가 전한 사실
- SemiAnalysis가 주도하는 오픈소스 추론 벤치마크 InferenceMax v2가 발표됐고, 글은 Blackwell이 실제 AI 연구소 조건에서 H100 대비 최대 100배 가까운 성능 개선을 보였다고 적었다.
출처의 해석·전망
- 작성자는 이 자료를 엔비디아의 압도적인 추론 성능이 드러난 사례로 평가했다.
- 분리형 추론, Wide Expert Parallelism, MTP, NVPF4와 Dynamo·SGLang·vLLM 같은 프레임워크를 함께 쓴 조건이라는 점을 근거로 들었다.
보존 원문 발췌
엔비디아의 압도적인 추론 성능이 돋보이는 자료였습니다. 젠슨황은 Blackwell 시리즈의 추론 성능이 H100 대비 최대 30배 좋아질 것이라고 주장해왔었는데, 실제로는 훨씬 더 좋았습니다. 실제 AI Labs들에서 사용하는 조건인 disagg(disaggregation inference) + wideEP(Wide Expert Parallelism) + MTP(Multi Token Prediction) + NVPF4(현재까지 나온 칩 중 Blackwell만 유일하게 하드웨어에서 FP4 Native로 지원) 등을 사용하여 추론한 경우 보편적인 최적 batch size 기준 최대 100배 가까이 개선됐습니다. GTC 2025 당시 따로 중요하니 체크해두실 것을 강조드렸던 NVIDIA Dynamo와 함께 쓰이는 프레임워크들(SGLang, vLLM)의 힘입니다.
상승 관점 보조 신호 · 가격 충격·지속성·후속 근거
장대양봉급 뉴스
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.
지속 턴어라운드
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.
셀온 뒤 재상승 근거
근거 미확인- 이 자료에서 판단할 근거를 확보하지 못했습니다.