NVIDIA RTX 5000 Series (Ada-next/Blackwell)

[Tambas91]

6 λεπτά πριν, nikos5800 είπε

Νομίζω πρέπει να έχει,η σειρά 4χχχ είναι η πρώτη γενιά gpu που υποστηρίζει hardware decompression,θα εξαρτηθεί πόσο greedy θέλει να γινει

Άνετα θα μας πει ότι παρόλο που το υποστηρίζει δε φτάνει η δύναμη ή κάτι τέτοιο 

[nikos5800]

6 λεπτά πριν, kostiger είπε

Λογος μπορει να μην ειναι, αλλα δες την εξελιξη των τιμων ανα κατηγορια μεσα σε αυτα τα 6 χρονια και ισως αναθεωρησεις.

Πάνω κάτω ίδιες είναι με εξαίρεση το high end κομμάτι 

[kostiger]

4 λεπτά πριν, nikos5800 είπε

Πάνω κάτω ίδιες είναι με εξαίρεση το high end κομμάτι 

Για ποιο λογο να το εξαιρεσω; Ακομα και η 2070 400 δολαρια msrp ειχε, αντε να ισχυει μονο για τις ΧΧ60 η σταθεροτητα τιμων. Σε ολες τις αλλες κατηγοριες εχει ξεφυγει το πραγμα και στην καλυτερη των περιπτωσεων περιμενουμε διατηρηση τιμων στα ΧΧ70-80. Για την 5090 ειμαι βεβαιος οτι θα πεσει ακομα πιο βαρυς ο πελεκυς..

[_Theo_]

31 λεπτά πριν, Arkin είπε

Advanced dlss

Neural render 

Advanced dlss 

Αμέσως αμέσως 3 λόγοι για μετάβαση σε 5000.

Δύο λόγοι θες να πεις.

Και μέχρι να κυκλοφορήσουν παιχνίδια που να τα υποστηρίζουν θα έχει βγει η σειρά RTX 6000.

[Aten-Ra]

27 minutes ago, Psycho_Warhead said:

Το Neural Rendering λογικά είναι το texture compression για να πέφτει πολύ η VRAM κατανάλωση.

Το advanced DLSS λογικά θα είναι παντού.

Άλλο είναι το Neural Texture Compression και άλλο πράγμα το Neural Rendering

[nikos5800]

11 λεπτά πριν, kostiger είπε

Για ποιο λογο να το εξαιρεσω; Ακομα και η 2070 400 δολαρια msrp ειχε, αντε να ισχυει μονο για τις ΧΧ60 η σταθεροτητα τιμων. Σε ολες τις αλλες κατηγοριες εχει ξεφυγει το πραγμα και στην καλυτερη των περιπτωσεων περιμενουμε διατηρηση τιμων στα ΧΧ70-80. Για την 5090 ειμαι βεβαιος οτι θα πεσει ακομα πιο βαρυς ο πελεκυς..

Η 2070 500 ειχε msrp

[just_a_dude]

1 λεπτό πριν, nikos5800 είπε

Η 2070 500 ειχε msrp

και η 4070 599

[nikos5800]

6 λεπτά πριν, Aten-Ra είπε

Άλλο είναι το Neural Texture Compression και άλλο πράγμα το Neural Rendering

Μπα,το ai texture compression πρέπει να είναι 

1 λεπτό πριν, just_a_dude είπε

και η 4070 599

Ε ναι λογικά τώρα θα έρθει στα 500,ξέρω ακούγεται τρελό αλλά έτσι πιστεύω 😁

[Psycho_Warhead]

Το φιλαράκι του πέτσινου, Tim Sweeney, ζορίζεται..

"UE5.3+ EULA basically bans implementing neural rendering, because EPIC feels threatened by generative AI (unless they are the ones using it - oh the irony)"

[nikos5800]

2 λεπτά πριν, Psycho_Warhead είπε

Το φιλαράκι του πέτσινου, Tim Sweeney, ζορίζεται..

"UE5.3+ EULA basically bans implementing neural rendering, because EPIC feels threatened by generative AI (unless they are the ones using it - oh the irony)"

Και αυτοί τώρα θέλουν να γίνουν μονοπώλιο στις μηχανές γραφικών?

[kostiger]

4 λεπτά πριν, nikos5800 είπε

Η 2070 500 ειχε msrp

Το ειδα εκ των υστερων και σαφως εχει τη σημασια του, αλλα ακομα και ετσι, οπως εχει ηδη απαντησει σχετικα ο Γιαννης, αυτο που γνωριζουμε ολοι, δεν ειναι τοσο μακρια αλλωστε η κυκλοφορια της, 599 ηταν της 4070, συνεπως οπως προανεφερα ειχαμε και σε αυτη την κατηγορια αυξηση τιμης.

Οσον αφορα στην εκτιμηση σου για την τιμη της 5070, μακαρι, αλλά επιτρεψε μου να πιστευω οτι θα αποδειχθει ονειρο απατηλο..

[just_a_dude]

Πιστεύω θα αφήσει τα MSRP ίδια σε όλες εκτός της 5090. Θα αφήσει χώρο τιμολογιακά και perfomarce-ιακά ώστε να χώσει και μια ακόμη μεταξύ της 5080 και 5090 σε κάνα χρόνο.

Επεξ/σία 17 Δεκεμβρίου 2024 από just_a_dude

[this.is.elia]

Just now, just_a_dude said:

Πιστεύω θα αφήσει τα MSRP ίδια σε όλες εκτός της 5090. Θα αφήσει χώρο τιμολογιακά και perfomarce-ιακά ώστε να χώσει και μια ακόμη μεταξύ της 5080 και 5090 σε κάνα χρόνο.

Μεταξύ μας, μεταξύ της 80 και της 90 χωράνε 5 κάρτες 😉

[Psycho_Warhead]

Ναι αλλά τι θα γίνει σε κάθε γενιά θα έχουμε αυξήσεις ? Και που θα καταλήξει ? Ήδη στα κινητά έπιασαν ταβάνι νομίζω.

[Aten-Ra]

14 minutes ago, nikos5800 said:

Μπα,το ai texture compression πρέπει να είναι 

 

 

https://www.nvidia.com/en-us/on-demand/session/gtc24-s62046/?playlistId=playList-d2142539-0155-44b0-97ed-215714db0f2a

Dive Deep into Real-Time Neural Rendering on NVIDIA GPUs

Chaojian Li, Ph.D. Candidate, Georgia Institute of Technology
Yonggan Fu, Ph.D. Candidate, Georgia Institute of Technology

Recent breakthroughs in state-of-the-art 3D reconstruction techniques, powered by neural rendering, promise to revolutionize various aspects of human life. However, a significant gap persists between the complexity of neural rendering algorithms and the limited resources on commodity GPUs, which hinders real-time rendering. We address this gap by comprehensively reviewing existing efficient neural rendering techniques and introducing our developed methods, which leverage an NVIDIA technology called Nvdiffrast to propel the frontier of real-time neural rendering. This is achieved by developing (1) an innovative 3D reconstruction pipeline dubbed MarryRecon, which marries the benefits of both swift training from radiance fields with real-time rendering from meshes, and (2) a novel scene representation dubbed MixRT, which represents a scene using a low-quality mesh, a displacement map, and a tiny NeRF model to fully harness the capabilities of existing graphics hardware.

--------------------------------

και 

--------------------------------

https://research.nvidia.com/labs/rtr/neural_texture_compression/

Random-Access Neural Compression of Material Textures

he continuous advancement of photorealism in rendering is accompanied by a growth in texture data and, consequently, increasing storage and memory demands. To address this issue, we propose a novel neural compression technique specifically designed for material textures. We unlock two more levels of detail, i.e., 16X more texels, using low bitrate compression, with image quality that is better than advanced image compression techniques, such as AVIF and JPEG XL. At the same time, our method allows on-demand, real-time decompression with random access similar to block texture compression on GPUs, enabling compression on disk and memory. The key idea behind our approach is compressing multiple material textures and their mipmap chains together, and using a small neural network, that is optimized for each material, to decompress them. Finally, we use a custom training implementation to achieve practical compression speeds, whose performance surpasses that of general frameworks, like PyTorch, by an order of magnitude.