正在阅读：迟来的30系列新皇，NVIDIA RTX 3090 Ti首发评测迟来的30系列新皇，NVIDIA RTX 3090 Ti首发评测

　　  24GB显存到底怎么用？

　　在测试RTX 3090 Ti显卡的时候，笔者利用HWINFO软件对测试时显存占用进行了记录。可发现大部分的应用与游戏中仅有少部分显存下高于10GB容量的，仅有部分的游戏在显存占用时高于10GB，例如《全境封锁2》与《PugetBench DaVinci Test》。当然8K游戏的显存占用基本都是翻了翻，游戏中的显存占用均超过10GB，其中《全境封锁2》中更是爆了显存。

　　当然，除了游戏之外，实际的专业应用场景才是RTX 3090 Ti这24GB显存容量的用武之地，接下来我们借助视频、计算、建模的三个小例子，来“榨干”这张RTX 3090 Ti的24GB显存吧。

　　《DaVinci Resolve》8K实时渲染

　　一般情况下DaVinci并不会过多调用显存，无论是播放还是转码，RTX 3090 Ti在测试时占用也就10GB左右。

　　而我们利用NVIDIA提供的8K RAW Video测试项目文件，对Motion Effects（运动效果）进行一系列的设置，这样就能调用到24GB显存。

　　同样8K RAW Video播放，显存占用就已经达到了24GB，还真是有点夸张，当然此时更换其它低容量版本的显卡会直接报错，停止运行的处理。那这样设置后，RTX 3090 Ti是否有优势呢？我们同样拿此项目文件直接进行视频导出，对比导出时间。

　　可看到同样的Motion Effects（运动效果）设置，效果较低的一般情况下，RTX 3090 Ti、RTX 3090与RTX 3080有着同样的导出速度，且相同的显存占用，均为10GB；但是加强Motion Effects（运动效果）设置后，RTX 3080 Ti明显报错加载不了运动效果，仅有RTX 3090 Ti与RTX 3090有导出成绩，分别为1：34、1：39。侧面说明：24GB大容量显存在某些大型，且极复杂的视频渲染工程时起到关键性的作用。

　　机器学习运算

　　在机器学习的实际应用上，我们使用一个开源的CNN图像数据分类模型来进行基准测试，它采用的是市面上应用广泛的机器学习库——TensorFlow，在搭建好CUDA组件环境后，TensorFlow便可以使用GPU进行加速运算，大显存能为显卡提供更多的计算资源支持，在这里我们把显存可占用空间设置为“全部”，然后以2组batches、32个样本为单位 ，跑10万组图像数据识别，可以看到24GB显存在运算过程中直接吃满，最后达到一秒钟识别将近3万张图像的性能表现。

　　BLENDER场景渲染

　　而在热门3D建模软件blender上，由于内置的Cycles渲染器在交互渲染的过程中，会利用实时RTX光线计算和OpitX AI去噪技术的实时加载，对于显存的要求较高，对于重度用户而言，即便是12GB的显存容量，在多工作流下也会发生显存不足导致渲染错误或无法渲染的情况，而利用RTX 3090 Ti的大显存，则是能够实现多个复杂工作流实时查看交互，还能进行最终帧的场景渲染，此时显存占用也达到了21GB以上。