SanDisk é criticada por comparar nova memória HBF com dados considerados desatualizados da HBM

Slides exibidos no Investor Day da SanDisk , realizado no início desta semana, começaram a circular nas redes sociais com acusações de imprecisões e lacunas técnicas .

A reação veio da comunidade especializada , que questionou escolhas de especificação e dados comparativos usados na apresentação.

They are deliberately misrepresenting HBM performance For some reason, they fix the bandwidth of both HBM & HBF stacks at 1.6TB/s (12.8/8) Secondly, nobody serves models on bf16 anymore Most models are served on fp4 or fp8 So a Qwen 480B should occupy 240GB to 480GB depending on… https://t.co/I19HOYo5LJ — Zephyr (@zephyr_z9) August 14, 2026 Especificações apontadas pela SanDisk para HBM e HBF A apresentação fixou a capacidade da memória HBM por GPU em 192 GB e indicou largura de banda de 12,8 TB/s para esse contexto.

O material omitiu qualquer indicação sobre a resistência de gravação da High-Bandwidth Flash (HBF) , tecnologia que a SanDisk desenvolve em conjunto com a SK hynix .

Tecnologia Capacidade por GPU Largura de banda HBM 192 GB 12,8 TB/s HBF 512 GB de armazenamento 0,4 TB/s a 3 TB/s A memória HBF tem previsão de lançamento comercial para 2028 ou 2029 .

A solução empilha dies NAND uns sobre os outros, com Through Silicon Vias (TSVs) conectando os componentes e um die de lógica controladora ligado ao conjunto de NAND .

Antes de prosseguirmos, uma curiosidade para os que estão por fora: resumidamente, a resistência de gravação é a vida útil de uma memória flash .

É a quantidade máxima de vezes que você consegue apagar e gravar dados nela antes que o chip se desgaste fisicamente e pare de funcionar.

Como funcionam as camadas de atenção e as redes feed-forward em modelos de IA Continuando, ressaltamos que um modelo de IA consiste em uma série de blocos transformadores compostos por duas estruturas principais.

A Camada de Atenção (Attention Layer) analisa como as palavras de uma frase se conectam entre si.

Em um prompt como “Paris é a capital da França “, a camada de atenção liga a palavra “capital” a “França” e identifica “Paris” como a resposta.

Essa camada não compreende o significado de França ou Paris, mas salva essas anotações na forma de cache KV.

O cache KV cresce conforme o contexto aumenta.

Por sua vez, o cache KV (Key-Value Cache) é uma técnica de otimização de memória que funciona como a “memória de curto prazo” de um modelo de Inteligência Artificial.