MetaX C500: китайский GPU для ML-задач под санкционные реалии

Разбираем архитектуру, спецификации и честные компромиссы GPU, который уже работает в российских продакшн-окружениях

Когда в 2022 году NVIDIA окончательно ушла с российского рынка, у ML-команд осталось несколько сценариев: переплачивать за серые схемы, уходить в облака с западной инфраструктурой, или смотреть в сторону альтернатив. Один из самых зрелых вариантов сегодня — MetaX C500. Мы работаем с этим железом с момента первых поставок в Россию, тестировали его совместно с МФТИ на реальных ML-пайплайнах. Вот что реально стоит знать.

Кто такой MetaX?

MetaX (читается «Мусси») — шанхайский стартап, основанный в сентябре 2020 года. За четыре года компания прошла путь от первого tape-out до массового производства и выхода на биржу STAR Market в марте 2026 года.

Основатели — не случайные люди в полупроводниках. CEO Уильям Чен до MetaX возглавлял глобальное GPU-подразделение AMD. CTO по железу Джесси Пэн — первая женщина-Fellow в AMD на глобальном уровне. CTO по программному обеспечению доктор Цзянь Ян — первый AMD Fellow в Большом Китае. Команда R&D насчитывает около 900 человек, из которых 80% — разработчики.

Это важно не ради биографических справок. Команда с бэкграундом AMD проектирует архитектуру иначе, чем стартапы, которые пытаются скопировать NVIDIA снизу вверх. Это чувствуется в C500.

Продуктовая линейка: куда вписывается C500

MetaX выпускает три серии GPU:

N-серия (Xisi) — гетерогенные GPGPU с выделенным блоком DLA, ориентированы на инференс. N100 — первый продукт компании, N260 закрывает задачи продакшн-инференса LLM.

C-серия (Xiyun) — флагман общего назначения, обучение + инференс + вычисления. Сюда входит наш герой C500, а также C550 (OAM-формат), C500X (оптический интерконнект) и свежий C600.

G-серия (MXG100) — рендеринг и метавселенные, нас интересует меньше.

C500 — это основной рабочий конь C-серии. PCIe-карта, которую можно воткнуть в стандартный сервер. Именно её мы тестировали, именно она доступна на аренде у ChaiTex прямо сейчас.

Архитектура MXMACA: что внутри

MetaX разработал собственную архитектуру GPGPU с нуля — они называют её MXMACA (MetaX Memory Access and Compute Architecture). Никакого лицензированного IP от ARM или Imagination Technologies. Полностью своя.

Ключевые архитектурные решения C500:

Вычислительное ядро построено на блоках AP (Arithmetic Processors), организованных в матрицу с общим L2 Cache и High Speed Fabric между блоками. Аналог Streaming Multiprocessors в NVIDIA-терминологии, но с другой топологией.

Память — HBM2e, 64 ГБ. Это не GDDR6 и не GDDR7 — полноценная High Bandwidth Memory второго поколения с расширенными возможностями. Пропускная способность — 440 ГБ/с. Для сравнения: у A100 80GB — 2 ТБ/с (HBM2e), у A100 40GB — 1,6 ТБ/с. C500 здесь уступает, и это честный компромис, о котором поговорим ниже.

Интерконнект — MetaXLink, проприетарный высокоскоростной интерфейс для связи карт между собой. Поддерживает режимы 2-карточного и 4-карточного PCIe-соединения с пропускной способностью до 256 ГБ/с и 384 ГБ/с соответственно. В OAM-конфигурации (C550) — до 896 ГБ/с при 8-карточном полном соединении.

Хост-интерфейс — PCIe 4.0 x16. Да, четвёртое поколение, не пятое. В большинстве современных серверных платформ это не узкое место для ML-задач, но при интенсивном обмене с CPU нужно учитывать.

Технические характеристики: цифры без округлений

Вот полная таблица производительности C500 на разных форматах данных:

FP64 — не указана производителем. Это говорит о том, что карта не ориентирована на HPC-задачи с двойной точностью. Для LLM-обучения и инференса это несущественно, для научных расчётов типа молекулярной динамики — нужно проверять отдельно.

TDP — 350 Вт. Поддерживаются и воздушное, и жидкостное охлаждение.

Что получаете в сборке сервера на 8xC500

Стандартная серверная конфигурация на базе C500 выглядит так:

GPU: 8× MetaX C500 64ГБ = 512 ГБ суммарной HBM2e-памяти

CPU: 2× Intel Xeon Gold 6530 (32 ядра / 160 МБ кэша / 270 Вт каждый) — итого 64 физических ядра, 128 потоков

RAM: 1 ТБ DDR5-4800 ECC RDIMM (16× 64 ГБ)

Хранилище: 2× 7,68 ТБ PCIe Gen4 NVMe + 2× 480 ГБ SATA SSD

Сеть: 2× 400 Гбит/с (PCIe 5.0) + 2× 25 Гбит/с SFP28

Питание: 4× 2700 Вт Platinum

Форм-фактор: 4U

Виртуализация: поддерживается vGPU через SR-IOV

Суммарная FP16-производительность сервера: 8 × 240 = 1920 TFLOPS

Для сравнения: сервер на 8× A100 80GB даёт около 2400 TFLOPS FP16. C500-сервер — примерно 80% от этого значения при кратно меньшей цене на рынке.

Программный стек MXMACA: главный вопрос о совместимости

Любой, кто сталкивался с не-NVIDIA GPU, знает: железо — это полдела. Программная совместимость решает всё.

MetaX подошли к этому системно. MXMACA-стек по архитектуре зеркалит CUDA:

На уровне языка: MXMACA C++ (аналог CUDA C++), Python, поддержка OpenCL и Triton

На уровне библиотек: mcDNN (≈ cuDNN), mcBLAS (≈ cuBLAS), MCCL (≈ NCCL для коллективных операций), macaRT (≈ TensorRT)

На уровне фреймворков: PyTorch, TensorFlow, PaddlePaddle, MindSpore, DeepSpeed, Megatron-LM, vLLM, SGLang

На уровне инфраструктуры: KMD/UMD-драйверы, RDMA, Docker, Profiler, SMI

Ключевая цифра — PyTorch-совместимость по операторам: более 2200 операторов, покрытие 100% по заявлению производителя. Для сравнения, у большинства других китайских GPU этот показатель в диапазоне нескольких сотен — тысячи операторов.

Отдельный важный момент: поддержка Flash Attention. Это алгоритмически критичный оператор для трансформерных архитектур, который многие китайские GPU либо не поддерживают вообще, либо поддерживают частично. У C500 — полная поддержка.

В июне 2025 года MetaX открыл исходный код MXMACA. Это важный сигнал: компания ставит на экосистему, а не на закрытый стек.

Эволюция совместимости: хронология

MetaX публично показывает, как росла MXMACA-совместимость:

• 2022.06: 400 сторонних тест-кейсов

• 2022.10: 1752 открытых репозитория

• 2023.08: 2000 приложений (бета-тест)

• 2023.10: 3000 приложений (альфа-релиз)

• 2024.12: 6000 открытых проектов верифицированы

• 2025.06: MXMACA полностью открыта

Это не статичная картина. Стек активно развивается, и новые версии PyTorch MetaX начинает поддерживать примерно за одну неделю после релиза. У большинства конкурентов — несколько месяцев.

Что реально работает, а что — нет

Скажем честно, потому что проверяли на практике.

Работает хорошо:

• PyTorch-пайплайны обучения трансформеров без переписывания кода

• LLM-инференс через vLLM и SGLang

• Distributed training через DeepSpeed и Megatron-LM

• Большинство CUDA-проектов после смены переменных окружения — фактически один шаг

Работает с нюансами:

• Кастомные CUDA-ядра требуют портирования на MXMACA C++ (0,5–3 дня по оценке MetaX, в нашей практике — зависит от сложности)

• JAX — поддержка ограничена, нужно уточнять под конкретные задачи

• Специфические версии библиотек с жёсткой привязкой к CUDA API могут требовать тестирования

Не проверяли:

• Задачи с интенсивным FP64 (молекулярная динамика, CFD)

• Приложения, использующие CUDA Graph напрямую

Кластерные показатели: данные MetaX

Для тех, кто думает про масштаб — MetaX публикует данные по производительности кластера на реальных задачах:

Обучение 128B-параметровой модели на кластере 1024 карт (C550, OAM-версия):

• Линейность масштабирования: 95% (по заявлению, выше международных аналогов для Dense-моделей)

• Непрерывное обучение: 45 дней без сбоев

• MFU (Model FLOP Utilization): >65%

• MTTR (среднее время восстановления после сбоя): <15 минут — диагностика до 5 минут, восстановление до 10 минут

• Эффективное время обучения: 98,6% с учётом всех сбоев и checkpoint-пауз

Это данные производителя, не независимый бенчмарк. Принимаем с соответствующей поправкой. Но порядок цифр — рабочий.

Реальные клиенты MetaX: кто уже развернул

Это не гипотетические кейсы — это задокументированные коммерческие поставки:

(China Merchants Bank): в январе 2025 года партнёр MetaX выиграл тендер на 39 серверов = 312 карт C500 для задач LLM и генерации контента

(Hospital Zhongshan): медицинские AI-приложения, мультимодальный анализ, 40 000 диагностических процедур в год

(China Southern Power Grid): оптимизация диспетчеризации, параллельные вычисления для решателей

(Zhejiang University): 35 серверов = 280 карт C550 для AI-кафедры и стартапов при университете

(GAC Group): 10 серверов = 80 карт C500 для разработки систем автопилота, смешанное обучение с международными GPU

(Xinhua News Agency): кластер MetaX в Пекине для LLM-новостного ассистента

Сравнение с NVIDIA: где разрыв, а где нет

Попытаемся быть точными, а не просто «дешевле NVIDIA».

Самое заметное отставание — пропускная способность памяти. 440 ГБ/с против 2 ТБ/с у A100. Это критично для задач, bottleneck которых — bandwidth: авторегрессионный инференс длинных контекстов, некоторые операции с большими батчами.

Для задач, bottleneck которых — compute (предобучение LLM на коротких контекстах, файнтюнинг), разрыв значительно меньше и определяется 240 TFLOPS против 312 TFLOPS — около 77%.

DeepSeek на C500: конкретные конфигурации

MetaX опубликовал матрицу конфигураций для DeepSeek-R1/V3, которая показывает, как позиционируется C500 в реальных задачах:

Одиночная карта N260 (инференс-версия) тянет R1/V3 671B целиком через квантизацию — это отдельный продукт для тех, кому нужен «персональный DeepSeek».

Для кого C500 имеет смысл

C500 — рабочее решение, а не временная заглушка, если ваши задачи укладываются в следующий профиль:

Подходит хорошо:

• Обучение LLM среднего размера (до 70B) на стандартных PyTorch-пайплайнах

• Продакшн-инференс с умеренным контекстом

• Файнтюнинг на базе открытых моделей

• Команды, которым нужна независимость от западной цепочки поставок

• Пилоты с возможностью арендовать до покупки

Стоит дополнительно проверить:

• Инференс с очень длинным контекстом (bandwidth-bottleneck)

• Задачи с кастомными CUDA-ядрами (нужна оценка объёма портирования)

• FP64-вычисления

Не подходит:

• HPC с интенсивным FP64

• Задачи с жёсткой привязкой к CUDA-специфичным функциям без бюджета на портирование

Попробовать C500 на своих задачах можно удалённо — у ChaiTex есть серверы в аренде.
Это разумный способ проверить совместимость своего стека до того, как принимать решение о покупке.

Если у вас есть конкретный ML-стек и вопрос «ляжет ли на C500» — пишите, разберём. Особенно интересен опыт тех, кто мигрировал с CUDA-зависимых кастомных операторов.