P106‑100（GP106）与 CMP 40HX（TU106）在多项硬件指标上可直接对照。
核心频率、Shading Units、TMUs、ROP、SM 数量以及 FP32、FP16、Texture 等算力都显露出两者的差距；显存位宽、带宽、GDDR6 与 GDDR5 的使用差异也构成了显著区别。
核心与计算能力
- FP32 性能：P106‑100 约 4.4 TFLOPS；CMP 40HX 约 7.6 TFLOPS，提升约 70 %。
- FP16 性能：P106‑100 约 68 GFLOPS；CMP 40HX 约 15.2 TFLOPS，几乎提升 200 倍。
- Shading Units：1280 vs 2304，几乎翻倍。
- SM 计数：10 vs 36，直接决定多线程并行度。
- L2 缓存：1536 KB vs 4 MB，后者可在大纹理和多 GPU 共享场景中减少内存访问延迟。
显存与带宽
- P106‑100 6 GB GDDR5，192 bit 192 GB/s；CMP 40HX 8 GB GDDR6，256 bit 448 GB/s，几乎翻倍的存储吞吐量。
- 在需要大量纹理或高分辨率渲染时，后者能保持更高的帧率。
功耗与热设计
- TDP：120 W vs 185 W。
- 若系统电源受限，P106‑100 在功耗上更友好；但若能提供足够电源，CMP 40HX 的高性能可被充分利用。
矿业算力
- DaggerHashimoto：23 vs 36（≈ 57 % 提升）。
- ETCHash：24 vs 36（≈ 57 % 提升）。
- NexaPow：4.5 vs 48（≈ 1070 % 提升）。
对矿业工作负载而言，CMP 40HX 明显占优，尤其在 NexaPow 这种需要大量浮点运算的算法上差距更大。
典型使用场景
- 挖矿 – 若目标算法为 DaggerHashimoto 或 ETCHash，CMP 40HX 能提供约 60 % 的哈希率提升；若使用 NexaPow，则提升超过 1000 %。
- 机器学习 / 科学计算 – FP32 / FP16 算力决定训练速度，CMP 40HX 在 TensorFlow / PyTorch 等框架中可实现更快的前向和反向传播。
- 图形渲染 / 内容创作 – 高纹理率和更大显存带宽使 CMP 40HX 能更好地处理 4K 纹理、实时光线追踪等工作负载。
- 能耗敏感环境 – 若电源容量或散热受限，可选择 P106‑100，虽然单机性能下降，但在低功耗下仍能完成基础矿业或轻度计算任务。
选择建议
- 优先追求算力：选 CMP 40HX。
- 对功耗和发热有严格限制：选 P106‑100，尤其在旧硬件或低功耗矿场。
- 需要高显存带宽或更大显存容量：CMP 40HX 提供 8 GB GDDR6、448 GB/s 带宽，能满足更大模型或高分辨率纹理需求。
- 预算或可用硬件已锁定：若已有 6 GB GDDR5 系列的 GPU，P106‑100 可与现有配件兼容；若已有 8 GB GDDR6 系列，CMP 40HX 更易集成。
总体来看，CMP 40HX 在各项核心、显存与算力指标上均优于 P106‑100，除非功耗或兼容性成为关键限制因素，否则其性能优势更为明显。
