晶圆图是「小图 + 海量样本」：吞吐比单模型精度更影响产出。
结论：晶圆图分类（CNN/ViT）模型不大，但每天新增数万到数十万张，所以要按批量推理吞吐配卡（24GB 卡多张优于单张大卡）。
图谱聚类（无监督）可用 GPU 加速 embedding 计算，效果取决于特征与距离度量。
链路是「晶圆图生成（bin map）→ 预处理与归一化 → 分类/聚类 → 与设备数据关联 → 反馈工艺」。GPU 在批量分类与聚类。
第二段是样本不均衡：某些缺陷模式极少，需要数据增强与少样本方法，这比加大模型更有用。
| 环节 | 吃显存还是吃算力 | 精度口径 | 关键硬件特性 | 说明 |
|---|---|---|---|---|
| 图谱分类（批量） | 推理吞吐 | FP16/INT8 | Tensor Core、批处理 | 吞吐优先 |
| 无监督聚类 | 算力 + 显存 | FP32 | 显存、算力 | embedding 批量计算 |
| 数据预处理 | CPU + IO | — | CPU、存储 | 图像小但数量大 |
| 结果关联与看板 | 轻量 | — | CPU | 与 MES/YMS 集成 |
| 型号 | 显存 | FP32 算力 | 功耗 | 在本场景里承担什么 |
|---|---|---|---|---|
| L4 | 24 GB GDDR6 | 30.29 TFLOPS | 72 W | 24GB 低功耗，批量推理主力。 |
| RTX A4000 | 16 GB GDDR6 | 19.17 TFLOPS | 140 W | 16GB，开发与小批量。 |
| RTX 6000 Ada Generation | 48 GB GDDR6 | 91.06 TFLOPS | 300 W | 48GB，聚类与更大批量。 |
| L40S | 48 GB GDDR6 | 91.61 TFLOPS | 300 W | 48GB，多模型并行推理。 |
点型号进详情页看完整规格与替代型号；不确定档位可以先看 分类 或 场景选型。
以上型号来自本站参数库，仅用于规格横向比较；实际供货以厂商中国区可售清单与合规要求为准，受出口管制的型号不在常规供货范围。
按吞吐选：日均图量大时多张 24GB 卡做批量推理比单张大卡更划算；模型本身不大。
用数据增强、少样本学习与阈值调节，并与工艺确认这些模式的重要性与可接受漏检率。
取决于日均晶圆图数量与保留周期，通常增长很快，建议按年规划并分层归档。
扫码关注
