NVIDIA Tesla P100 PCIe 16 Go : pourquoi cette ancienne Tesla intéresse de nouveau les passionnés

La NVIDIA Tesla P100 PCIe 16 Go est sortie en 2016 comme accélérateur destiné aux calculs scientifiques et aux supercalculateurs. Dix ans plus tard, des cartes serveur déclassées connaissent une seconde vie : les passionnés les achètent pour des serveurs domestiques, des expériences avec les réseaux de neurones et des programmes CUDA. La raison est simple : 16 Go de mémoire HBM2 et une puissance de calcul élevée sont désormais accessibles pour une somme modique. Mais ce petit prix dissimule plusieurs problèmes : refroidissement passif, prise en charge de CUDA vieillissante et absence de Tensor Cores.

Ce qui distingue la P100 de la P40 et de la V100

La Tesla P100 repose sur un processeur GP100 gravé en 16 nm, basé sur l’architecture Pascal. Elle possède 3584 cœurs CUDA et un bus mémoire de 4096 bits. Sa principale particularité réside dans ses puissantes unités FP64, pratiquement absentes des cartes graphiques grand public de cette génération.

La P40 dispose d’une plus grande quantité de mémoire vidéo, mais la P100 la dépasse de plus du double en matière de bande passante et d’environ 12,5 fois en performances théoriques FP64.

La V100 est nettement plus puissante que les deux autres cartes. Son avantage ne tient pas seulement à sa vitesse de calcul, mais aussi à la présence de Tensor Cores, qui accélèrent les opérations utilisées en apprentissage automatique.

Performances dans les benchmarks

Dans Geekbench 7 OpenCL, la P100 PCIe se situe entre la Tesla T4 et la GeForce RTX 3060. La V100 serveur, basée sur l’architecture Volta, est plus de deux fois plus rapide.

Il s’agit de résultats agrégés de Geekbench Browser, obtenus sur différents systèmes. Ils conviennent pour une comparaison générale des GPU, mais ne montrent ni la vitesse des calculs scientifiques FP64 ni celle du fonctionnement des modèles de langage.

La P100 PCIe devance la T4 d’environ 19 %, mais elle est 18 % moins rapide que sa propre version SXM2. Cette dernière nécessite toutefois une plateforme serveur spécifique et ne peut pas être installée dans un slot PCIe standard.

Pourquoi la P100 reste intéressante pour les calculs

Dans les applications scientifiques, le FP64 est utilisé pour les calculs nécessitant une grande précision numérique : modélisation de processus physiques, mécanique des fluides numérique et certaines tâches d’ingénierie.

Par exemple, pour effectuer des opérations matricielles en double précision, la Tesla P100 offre une performance théorique de 4,7 TFLOPS, contre environ 0,375 TFLOPS pour la P40. L’écart est considérable, même si l’accélération réelle dépend de l’algorithme, du volume des échanges avec la mémoire et de l’efficacité du programme.

La mémoire HBM2 est également utile dans les tâches qui traitent de grands ensembles de données. Sa bande passante de 732 Go/s est particulièrement avantageuse lors de lectures et d’écritures intensives. La prise en charge de l’ECC renforce en outre la fiabilité des calculs de longue durée.

La P100 ne peut donc pas être considérée comme une simple carte graphique obsolète. Dans les applications scientifiques compatibles, elle reste capable de fournir un travail utile.

Une seconde vie sur le marché de l’occasion

En 2026, la Tesla P100 a attiré l’attention des propriétaires de serveurs domestiques et des amateurs d’expérimentations avec du matériel peu coûteux. Des cartes ayant auparavant fonctionné dans des centres de données apparaissent sur le marché de l’occasion à des prix sans commune mesure avec leur valeur initiale.

En octobre 2026, des annonces proposant des P100 PCIe 16 Go aux États-Unis étaient visibles sur eBay pour environ 100 à 160 $. Certains passionnés indiquent en avoir acheté pour 75 à 80 $. Le prix dépend de l’état de la carte, du vendeur et de la région.

Pour une somme relativement modique, l’acheteur obtient 16 Go de mémoire vidéo à large bande passante. C’est précisément ce qui attire les personnes qui assemblent des serveurs de calcul domestiques ou qui souhaitent essayer d’exécuter des LLM en local sans acheter d’accélérateurs modernes coûteux.

Cependant, la P100 n’est pas une carte graphique ordinaire qu’il suffit d’insérer dans un ordinateur :

• Refroidissement. La carte est équipée d’un radiateur passif et conçue pour fonctionner avec un puissant flux d’air dirigé. Dans un PC domestique, un ventilateur séparé avec conduit d’air est généralement nécessaire.
• Alimentation. Elle utilise un connecteur CPU/EPS à huit broches. Il ne faut pas brancher un câble PCIe 8-pin standard sans vérifier le brochage.
• Compatibilité. Sur certaines anciennes cartes mères, il est nécessaire d’activer le paramètre Above 4G Decoding.
• Logiciels. Les nouvelles bibliothèques CUDA ne prennent pas toujours en charge l’architecture Pascal. Certaines applications doivent être compilées soi-même avec d’anciennes dépendances.

Lors de l’achat, il est conseillé de demander les résultats du diagnostic nvidia-smi, de vérifier la présence d’erreurs mémoire et de se renseigner sur la réalisation d’un test prolongé de la carte en charge. Un exemplaire bon marché dont la mémoire HBM2 est défectueuse est pratiquement inutilisable.

La P100 convient-elle aux réseaux de neurones locaux ?

La P100 peut exécuter des modèles de langage compatibles dans des formats quantifiés. Ses 16 Go de mémoire peuvent accueillir de nombreux modèles de la catégorie des 7 à 8 milliards de paramètres, ainsi que certains modèles plus volumineux avec un niveau de quantification et une taille de contexte adaptés.

Mais la grande vitesse de la mémoire ne compense pas l’absence de Tensor Cores. En outre, le GP100 ne prend pas nativement en charge le BF16, tandis que le Compute Capability 6.0 limite la compatibilité avec les bibliothèques de ML modernes.

À partir de CUDA 13.0, NVIDIA a supprimé la prise en charge de la compilation pour Pascal. Pour développer sur une P100, il faut utiliser CUDA 12.x et des versions compatibles des bibliothèques. Cela ne signifie pas que toutes les anciennes applications ont cessé de fonctionner, mais l’installation de piles ML modernes est devenue plus complexe.

Pour expérimenter avec des LLM, la P100 convient, surtout si l’on en possède déjà une. En revanche, lors d’un achat spécifiquement destiné aux modèles de langage, il faut la comparer à la P40 de 24 Go et à la V100. La première permet de conserver des modèles plus volumineux entièrement en mémoire, tandis que la seconde propose des Tensor Cores et une puissance de calcul nettement supérieure. Une plus grande quantité de mémoire ne garantit pas une vitesse de génération plus élevée.

Faut-il acheter une Tesla P100 en 2026 ?

À environ 100 $, une P100 PCIe 16 Go en état de fonctionnement reste intéressante pour les passionnés prêts à organiser eux-mêmes son refroidissement et à configurer CUDA. C’est particulièrement vrai lorsqu’un accélérateur peu coûteux pour les calculs FP64 est recherché.

Pour les LLM locaux, l’achat est moins évident. En plus de la carte elle-même, il faut tenir compte du refroidissement, de l’alimentation, d’une consommation pouvant atteindre 250 W et du temps nécessaire pour configurer des logiciels compatibles. Si l’objectif principal est d’exécuter facilement des modèles modernes, une V100 ou une RTX plus récente est préférable.

La Tesla P100 n’est pas devenue une carte graphique moderne grâce à son petit prix. Mais en tant qu’accélérateur de calcul abordable doté de 16 Go de HBM2, elle a conservé sa place. Pour les calculs scientifiques et les expérimentations, il s’agit d’un matériel intéressant. Pour un PC domestique polyvalent et une utilisation de l’IA sans difficulté, c’est un mauvais choix.