Krótka odpowiedź: kiedy CUDA 13 wygasza architektury Maxwell, Pascal (P4, P40, P100) i Volta (V100), karty oparte na Turingu (T4 — sprowadzana na zamówienie) i Ampere (A2 16GB — dostępna od ręki) zostają w oficjalnym wsparciu. Ze stanu magazynowego to A2; T4 dowozimy na zamówienie. A jeśli potrzebujesz czegoś mocniejszego, na zamówienie sprowadzimy dowolny akcelerator wciąż wspierany przez CUDA 13 — A100, A10, A30, A40, L4, L40 czy H100. To nie znaczy, że Pascal i Volta nagle przestają działać — nadal liczą na CUDA 12.x. Ale jeśli zależy Ci na najnowszym toolchainie i dłuższym horyzoncie zgodności, Turing/Ampere (i nowsze) mają nad nimi przewagę. Zastrzeżenie od razu: „wspierana przez CUDA 13" to nie to samo co gwarancja wieloletniego wsparcia ani obietnica, że każda przyszła biblioteka AI obsłuży daną kartę — o tym niżej.
Sprzedaję używane Tesle i widzę, jak co chwilę odbija się fala paniki: „skoro CUDA porzuca Pascala i Voltę, to P40 i V100 to już e-waste, prawda?". Nie, nieprawda — i nie chcę, żebyś podejmował decyzję na podstawie strachu. Chcę Ci pokazać, gdzie naprawdę przebiega granica: kiedy warto dopłacić do nowszej architektury, a kiedy tańszy P40 dalej robi robotę bez zarzutu. Uczciwie, z wadami po obu stronach.
Najważniejsze na start
- Fakt pewny: T4 to architektura Turing, A2 to Ampere. Obie zostają w oficjalnym wsparciu CUDA Toolkit 13.x, gdy CUDA 13 wygasza Maxwella, Pascala i Voltę.
- Też fakt pewny: karty Pascal (P4/P40/P100) i Volta (V100) dalej działają na CUDA 12.x oraz w llama.cpp — nie zamieniają się w cegłę. Szczegóły w osobnym wpisie o CUDA 13.
- A2 16GB (Ampere, compute capability 8.6): 16 GB VRAM, konfigurowalne TDP 40–60 W, format low-profile, obsługa BF16, sprzętowy dekod AV1. Idealna do gęstego upakowania i nowoczesnego wideo.
- T4 16GB (Turing, compute capability 7.5): 16 GB VRAM, 70 W, sprzętowy enkoder/dekoder wideo. Sprawdzony koń roboczy do inferencji i transkodowania — bez sprzętowego BF16 na Tensor Cores i bez dekodu AV1.
- A2 ≠ T4 pod względem „przyszłościowości": z tej dwójki bardziej przyszłościową konstrukcją jest A2 (nowsza architektura, BF16, AV1). T4 pozostaje atrakcyjna przede wszystkim jako energooszczędna karta 16 GB do inferencji i wideo — nie jako równorzędny „zakup na lata".
- Rozważ A2/T4, gdy zależy Ci na zgodności z nowszym toolchainem albo potrzebujesz nowszych kodeków; A2 może mieć sens przy lekkim fine-tuningu, ale 16 GB VRAM mocno ogranicza zakres zastosowań. Zostań przy P40/V100, gdy robisz głównie inferencję LLM w GGUF i liczy się cena za gigabajt VRAM.
- Potrzebujesz więcej niż T4? Na zamówienie sprowadzimy dowolny akcelerator wspierany przez CUDA 13 — od A2/T4 po A100, L4, L40 czy H100. Napisz do nas, dobierzemy pod budżet i zastosowanie.
Co dokładnie zmienia CUDA 13
Sedno sprawy jest proste i warto je odczarować. „Porzucenie" architektury w nowej wersji CUDA nie oznacza, że karta przestaje działać z dnia na dzień. Oznacza, że najnowszy toolkit (CUDA 13) nie będzie już budował ani wspierał kodu dla tych starszych układów. Pascal i Volta zostają zamrożone na gałęzi CUDA 12.x — i tam nadal się kompilują, uruchamiają i liczą.
Brak wsparcia w CUDA 13 nie oznacza automatycznie braku wsparcia dla aplikacji. Oznacza przede wszystkim, że nowy kod nie będzie już rozwijany i budowany dla tych architektur w ramach CUDA 13. To różnica między końcem wsparcia dla nowego toolchainu a sytuacją, w której GPU przestaje działać.
Dla większości zastosowań inferencyjnych to różnica bez znaczenia jeszcze przez długi czas. llama.cpp, popularne runtime do modeli w formacie GGUF i wiele gotowych stosów działa świetnie na CUDA 12.x. Twój P40 czy V100 nie budzi się jutro jako e-waste — budzi się jako karta na starszym, ale w pełni funkcjonalnym stacku.
Różnica robi się istotna dopiero, gdy zależy Ci na najnowszych bibliotekach, które wymagają CUDA 13, albo gdy planujesz trzymać ten sam sprzęt przez wiele lat i nie chcesz w połowie tego okresu wpaść w ścianę braku wsparcia. Wtedy Turing i Ampere dają Ci dłuższy pas startowy.
Ważne rozróżnienie: CUDA Toolkit ≠ sterownik ≠ biblioteka AI. Wsparcie architektury przez CUDA Toolkit nie oznacza automatycznie, że każda nowa wersja PyTorch, TensorFlow, FlashAttention czy xFormers obsłuży daną kartę. Poszczególne biblioteki potrafią podnosić wymagany compute capability niezależnie od samego toolkitu — a Turing (7.5) jest tu bardziej narażony niż Ampere (8.6). „Wspierana przez CUDA 13" daje większą swobodę korzystania z nowego stacku, ale nie gwarantuje, że najnowsza wersja każdego frameworka ruszy.
Tabela: co zostaje, co odchodzi
| Karta | Architektura (cc) | Przyszłość w CUDA Toolkit | VRAM | Pobór | Enkoder NVENC | Dekod AV1 |
|---|---|---|---|---|---|---|
| A2 16GB | Ampere (8.6) | Wspierana (zostaje) | 16 GB | 40–60 W (konfig.) | Tak | Tak |
| T4 (na zamówienie) | Turing (7.5) | Wspierana (zostaje) | 16 GB | 70 W | Tak | Nie |
| P40 24GB | Pascal (6.1) | Wygaszana → CUDA 12.x | 24 GB | wyższy TDP | Tak | Nie |
| V100 32GB | Volta (7.0) | Wygaszana → CUDA 12.x | 32 GB | wyższy TDP | Nie | Nie |
| P4 8GB | Pascal (6.1) | Wygaszana → CUDA 12.x | 8 GB | niski TDP | Tak | Nie |
| P100 16GB | Pascal (6.0) | Wygaszana → CUDA 12.x | 16 GB | wyższy TDP | Nie | Nie |
Konkretne wartości poboru dla kart Pascal/Volta znajdziesz w kartach produktowych — tu ważny jest wzorzec: nowsze architektury (A2 zwłaszcza) są dużo oszczędniejsze energetycznie, a A2 jako jedyna z tego zestawienia dekoduje AV1 sprzętowo.
Druga granica: sterowniki, nie tylko CUDA
O CUDA Toolkit mówi się najgłośniej, ale jest jeszcze druga oś końca życia — sterownik — i to ona lepiej tłumaczy, dlaczego Turing/Ampere mają dłuższy horyzont niż samo „CUDA 13 je wspiera".
- Gałąź sterownika. NVIDIA wskazuje R580 jako ostatnią gałąź sterownika dla Maxwella, Pascala i Volty; po niej te architektury przechodzą już tylko na łatki bezpieczeństwa, bez nowych funkcji. Turing i nowsze architektury pozostają na kolejnych gałęziach.
- Open GPU kernel modules. Otwarte moduły jądra NVIDIA działają wyłącznie od Turinga w górę (wymagają procesora GSP, którego Pascal i Volta nie mają). W praktyce P40/P100/V100 zostają przy zamkniętym sterowniku, a T4/A2 mogą korzystać z otwartego — co ma znaczenie na nowszych dystrybucjach Linuksa.
To nie jest powód do paniki — Pascal i Volta wciąż dostają łatki bezpieczeństwa — ale rzetelnie pokazuje, że „przyszłościowość" Turinga/Ampere wynika nie z jednego, lecz z dwóch niezależnych osi: toolkitu i sterownika.
Kiedy warto dopłacić do A2 lub T4
Nie każdy powinien iść w najtańszą kartę. Są trzy sytuacje, w których dopłata do Turinga albo Ampere zwraca się z nawiązką.
Kompatybilność z najnowszym toolchainem. Jeśli chcesz korzystać z bieżącego stacku, który celuje w CUDA 13, A2/T4 mają przewagę zgodności nad Pascalem i Voltą — nie będziesz musiał trzymać się starszych wersji frameworków tylko po to, żeby karta się uruchomiła. Ale uwaga: zgodność z CUDA 13 to nie to samo co „dobra karta treningowa". Obie mają tylko 16 GB VRAM, a T4 dodatkowo compute capability 7.5 bez BF16 — to realnie ogranicza zakres fine-tuningu (rozmiar modelu, długość kontekstu, techniki treningowe). Do poważniejszego dotrenowywania i tak sięgniesz po kartę z większą pamięcią (na zamówienie sprowadzimy np. A100 czy L40). A2/T4 świecą raczej przy lekkim dostrajaniu i inferencji na nowoczesnym stacku niż przy ciężkim treningu.
Dłuższy horyzont zgodności. Kupujesz raz, wstawiasz do serwera i nie chcesz co chwilę wymieniać sprzętu. Turing i Ampere zostają w oficjalnym wsparciu CUDA Toolkit 13.x, więc dają dłuższy horyzont zgodności z nowym toolchainem niż Pascal i Volta zamrożone na 12.x. To nie jest gwarancja, że każda przyszła biblioteka AI je obsłuży — ale punkt startowy jest wyraźnie dalej niż przy starszych architekturach.
Nowoczesne wideo i gęstość. Tu A2 świeci najjaśniej: konfigurowalne 40–60 W poboru i format low-profile oznaczają, że upchniesz ją tam, gdzie pełnowymiarowa karta się nie zmieści, a jej zasilanie nie rozwali budżetu energetycznego szafy. Do tego sprzętowy dekod AV1 — jeśli przetwarzasz nowoczesne strumienie wideo, to konkretna, mierzalna przewaga. T4 z kolei oferuje sprzętowe kodowanie/dekodowanie wideo (NVENC/NVDEC) i od lat jest popularnym wyborem do transkodowania oraz inferencji — brakuje jej tylko dekodu AV1.
A kiedy P40 albo V100 dalej wystarczą
Teraz uczciwie w drugą stronę, bo nie chcę Ci sprzedawać droższej karty, której nie potrzebujesz. Jeśli Twój przypadek to głównie inferencja LLM w formacie GGUF — czyli uruchamianie gotowych, skwantyzowanych modeli przez llama.cpp i podobne runtime — to Pascal i Volta nadal mogą być bardzo użyteczne na CUDA 12.x, szczególnie gdy priorytetem jest pojemność VRAM względem ceny. Nie potrzebujesz do tego CUDA 13.
Co więcej, tu starsze karty często wygrywają na tym, co przy LLM liczy się najbardziej — ilości VRAM za złotówkę. P40 24GB daje 24 GB pamięci, a V100 32GB aż 32 GB, zwykle w cenie za gigabajt korzystniejszej niż A2 czy T4, które mają po 16 GB. Jeśli Twoim wąskim gardłem jest to, czy większy model w ogóle zmieści się w pamięci, więcej taniego VRAM potrafi być ważniejsze niż najnowsza architektura. Więcej o tym, dlaczego te karty wciąż mają sens do LLM, znajdziesz w naszym wpisie o CUDA 13.
Krótko: A2/T4 to wybór nowszej architektury i dłuższego horyzontu zgodności; P40/V100 to wybór większej pojemności VRAM za złotówkę. Oba są sensowne — pod różne potrzeby.
Szybki wybór: zastosowanie → rekomendacja
| Zastosowanie | Rekomendacja |
|---|---|
| LLM / GGUF, maksimum VRAM za złotówkę | P40 24 GB |
| LLM / GGUF, największa pamięć (32 GB) | V100 32 GB |
| Niski pobór + nowoczesny toolchain | A2 16 GB |
| Transkodowanie / kodowanie wideo (NVENC) | T4 (na zamówienie) |
| Sprzętowy dekod AV1 | A2 16 GB |
| Najnowszy CUDA / toolchain, spokój ze sterownikami | A2 16 GB |
| Najniższy koszt wejścia | P4 8 GB / P40 24 GB |
| Fine-tuning | A2 (z zastrzeżeniem 16 GB VRAM); cięższy trening → A100/L40 na zamówienie |
Tabela jest celowo „nie pod jedną kartę" — dla części zastosowań uczciwą odpowiedzią jest tańszy Pascal/Volta, a nie najnowszy Ampere.
Uczciwe zastrzeżenie: wszystkie nasze karty są używane, także te „przyszłościowe" A2 i T4 — wsparcie CUDA to nie to samo co gwarancja sprawności egzemplarza. Przetestuj każdą kartę przy odbiorze (burn-in — kilkugodzinne obciążenie z monitoringiem temperatur i stabilności), zanim wdrożysz ją produkcyjnie. Nie wiesz, czy do Twojego zastosowania lepszy będzie przyszłościowy A2/T4, czy pojemny P40/V100? napisz do nas — pomożemy dobrać uczciwie, bez wciskania droższej karty na siłę.
Źródła
- NVIDIA — CUDA Toolkit 13.0 Release Notes (usunięcie wsparcia dla architektur Maxwell, Pascal i Volta): https://docs.nvidia.com/cuda/archive/13.0.1/cuda-toolkit-release-notes/index.html
- NVIDIA — CUDA GPUs / compute capability (lista architektur i modeli wspieranych przez CUDA): https://developer.nvidia.com/cuda/gpus/legacy
- NVIDIA A2 — datasheet (Ampere, 16 GB, 60 W, low-profile, dekod AV1): https://www.nvidia.com/content/dam/en-zz/solutions/data-center/a2/pdf/a2-datasheet.pdf
- NVIDIA Tesla T4 — datasheet (Turing, 16 GB, 70 W, NVENC): https://www.nvidia.com/content/dam/en-zz/Solutions/Data-Center/tesla-t4/t4-tensor-core-datasheet-951643.pdf
- NVIDIA Tesla V100 — datasheet (Volta, wersje PCIe i SXM2, 16/32 GB): https://images.nvidia.com/content/technologies/volta/pdf/tesla-volta-v100-datasheet-letter-fnl-web.pdf
- NVIDIA — Video Encode/Decode GPU Support Matrix (potwierdza NVENC per architektura; P100/V100 bez enkodera, T4/A2 z NVENC, dekod AV1 od Ampere): https://developer.nvidia.com/video-encode-decode-support-matrix
- NVIDIA — Open GPU Kernel Modules, wymagania sprzętowe (otwarte moduły jądra tylko od Turinga w górę, wymagany GSP): https://docs.nvidia.com/datacenter/tesla/driver-installation-guide/kernel-modules.html
- TechPowerUp — „NVIDIA's v580 Driver Branch Ends Support for Maxwell, Pascal, and Volta GPUs" (gałąź 580 jako ostatnia z pełnym wsparciem, dalej łatki bezpieczeństwa; Turing i nowsze bez zmian): https://www.techpowerup.com/338497/nvidias-v580-driver-branch-ends-support-for-maxwell-pascal-and-volta-gpus
FAQ
- Czy mój P40/V100 przestanie działać po wyjściu CUDA 13?
- Nie. Zostaje wspierany na gałęzi CUDA 12.x i dalej liczy inferencję, w tym modele GGUF przez llama.cpp. Zmienia się to, że najnowszy toolkit nie będzie już budował kodu dla tych architektur — nie to, że karta pada.
- Czy CUDA 13 oznacza, że T4 będzie lepsza od V100?
- Nie. CUDA 13 daje T4 przewagę w zgodności z nowym toolchainem, ale nie oznacza automatycznie wyższej wydajności. V100 ma 32 GB VRAM (w wersji 32 GB) i w wielu zastosowaniach bywa praktyczniejsza, jeśli kluczowa jest większa pamięć. Wybór zależy więc od tego, czy Twoim większym ograniczeniem jest kompatybilność software'u, czy pojemność i wydajność pamięci.
- Czym różni się A2 od T4 w praktyce?
- Obie mają 16 GB VRAM i pozostają wspierane przez CUDA Toolkit 13.x. A2 jest oszczędniejsza (konfigurowalne 40–60 W vs 70 W), low-profile i dekoduje AV1 sprzętowo. T4 stawia na NVENC i jest bardzo rozpowszechnionym, sprawdzonym koniem roboczym. Wybór zależy od formatu obudowy, budżetu energetycznego i tego, jakie kodeki wideo przetwarzasz.
- Do inferencji LLM warto dopłacać do A2/T4?
- Niekoniecznie. Jeśli robisz głównie inferencję w GGUF, tańszy P40 24GB z większym VRAM często daje lepszy stosunek możliwości do ceny. Dopłata do A2/T4 ma sens, gdy zależy Ci na fine-tuningu na najnowszym stacku, długiej żywotności lub nowszych kodekach.
- Czy A2/T4 są warte swojej ceny mimo mniejszego VRAM?
- Jeśli cenisz przyszłościowe wsparcie w CUDA Toolkit 13.x, niski pobór i nowsze kodeki — tak. Jeśli liczy się dla Ciebie przede wszystkim ilość pamięci na model — starsze karty z 24/32 GB mogą być lepszą inwestycją. To kompromis między nowoczesnością stacku a surową pojemnością.
- Co z fine-tuningiem na starszych kartach?
- Da się, ale będziesz przywiązany do wersji bibliotek zgodnych z CUDA 12.x. Jeśli planujesz regularnie korzystać z najnowszych narzędzi treningowych, Turing/Ampere oszczędzą Ci walki ze zgodnością.