良率分析是「查询 + 统计 + 模型」三件事，前两件都不吃 GPU。
结论：大部分良率分析是数据库查询与统计（CPU/内存/存储），GPU 用于缺陷图像模型与大规模聚类/embedding。
先建数据底座（时序库 + 列式分析 + 检索），算力按模型需求追加。
链路是「设备与量测数据采集 → 数据清洗与关联（wafer/lot/设备）→ 缺陷聚类 → 根因分析 → 反馈工艺」。GPU 在图像模型与聚类；关联与查询在数据库。
第二段是数据关联：良率根因要找「同一设备/同一腔体/同一批次」的共同点，数据模型设计比算力更重要。
| 环节 | 吃显存还是吃算力 | 精度口径 | 关键硬件特性 | 说明 |
|---|---|---|---|---|
| 缺陷图像分类/聚类 | 算力 + 显存 | FP16 | Tensor Core、显存 | 图像量大 |
| 多源数据关联查询 | CPU + 内存 | — | CPU、内存、数据库 | GPU 不参与 |
| 统计与 SPC | CPU | — | CPU | 轻量 |
| 模型训练 | 算力 | FP16/FP32 | 显存容量 | 中等规模 |
| 型号 | 显存 | FP32 算力 | 功耗 | 在本场景里承担什么 |
|---|---|---|---|---|
| RTX 6000 Ada Generation | 48 GB GDDR6 | 91.06 TFLOPS | 300 W | 48GB，缺陷图像模型训练。 |
| L4 | 24 GB GDDR6 | 30.29 TFLOPS | 72 W | 24GB 低功耗，批量推理与聚类。 |
| RTX A5000 | 24 GB GDDR6 | 27.77 TFLOPS | 230 W | 24GB，分析与开发共用。 |
| L40S | 48 GB GDDR6 | 91.61 TFLOPS | 300 W | 48GB 机架形态，共享分析节点。 |
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。
主要部分是查询与统计，用 CPU 与数据库即可。GPU 用在缺陷图像模型与大规模聚类上。
与产线规模相关，常见 TB 到数十 TB 级，且增长快。存储与查询引擎选型比算力更关键。
靠多源数据关联（设备/腔体/批次/recipe）+ 统计与模型。数据模型与主键统一是前提。
扫码关注
