Pourquoi deux cartes ont du sens : comment le modèle se partage entre elles
Deux cartes graphiques ne calculent pas deux fois plus vite — et ce n'est pas pour cela qu'on les achète. On les achète pour additionner leur mémoire. Voici ce qui se passe exactement à l'intérieur quand le modèle se répartit sur deux cartes, et pourquoi c'est précisément ce mode de découpage qui gagne sur du matériel domestique.
Un modèle est une pile de couches, et les couches peuvent se distribuer
Un modèle de langage est constitué de quelques dizaines de couches empilées les unes sur les autres. Les données entrent dans la première, le résultat passe à la deuxième, et ainsi de suite jusqu’au bout. Notre configuration coupe cette pile en son milieu : la première carte garde les premières couches, la seconde le reste.
Que traverse la frontière ? Un seul vecteur de nombres — l’état après la dernière couche de la première carte. Quelques kilooctets, transmis une fois par passage. C’est précisément pourquoi ce mode de découpage fonctionne sur une carte mère ordinaire, sans pont spécial entre les cartes.
Il y a un prix, et il faut le dire sans détour : les cartes travaillent l’une après l’autre, pas en même temps. Quand la première calcule, la seconde attend. À la génération de texte, deux cartes ne donnent donc pas une vitesse double — elles donnent une capacité double. Et comme les deux cartes sont identiques, il n’y a pas de maillon plus lent pour gâcher l’ensemble.
À la lecture d’un long document, la situation est meilleure : le travail y est si abondant que les deux cartes se partagent réellement les calculs. D’où le résultat de 7 000 tokens par seconde en lecture contre 200 tokens par seconde en écriture — deux régimes de travail différents de la même machine.
Les modes de découpage que nous avons écartés
Avant de retenir le découpage par couches, nous avons vérifié les alternatives. Les deux sont tombées pour des raisons concrètes et vérifiables.
Le découpage par lignes de matrices n’existe plus dans la bibliothèque que nous utilisons. L’option figure encore dans l’aide du programme, mais elle a été retirée de la prise en charge des cartes NVIDIA — toute tentative se solde par une erreur avant que quoi que ce soit n’atteigne la mémoire de la carte. Aucun paramètre n’y change rien.
Le découpage tensoriel (chaque carte calcule en même temps un morceau de la même couche) offre en théorie un vrai parallélisme. En pratique, il se brise sur deux points. D’abord, le tampon de travail s’alloue en taille complète sur chaque carte — donc en double — et ne tient pas, même avec un contexte modeste. Ensuite, une allocation ratée ne se replie pas en douceur vers un mode plus simple : elle tue le processus.
Même s’il fonctionnait, cette machine serait pour lui le pire terrain possible : le découpage tensoriel exige de synchroniser les cartes après chaque couche, et il n’y a pas de pont rapide entre nos cartes — la communication passe par le bus ordinaire de la carte mère. Le découpage par couches transmet un vecteur par passage, et c’est pour cela qu’il gagne.
Une couche dans un sens ou dans l’autre — et voilà plus de contexte
Le découpage ne doit pas être exactement moitié-moitié. Les couches n’ont pas toutes le même poids, et des éléments supplémentaires viennent se greffer sur l’une des cartes (par exemple le module chargé de la compréhension d’image). Résultat : après le chargement du modèle, une carte est parfois remplie à ras bord tandis que l’autre garde encore de la réserve.
Déplacer une seule couche de la carte la plus serrée vers la plus libre transfère environ 266 Mo de marge. Sur le modèle avec prise en charge de l’image, ce simple geste nous a acheté 24 576 tokens de contexte — grosso modo quelques dizaines de pages de texte en plus dans une même conversation, gratuitement.
Il faut en connaître la limite : la granularité est grossière. On déplace des couches entières, pas des fractions, et sur les modèles à couches peu nombreuses et épaisses, une seule couche pèse trop lourd pour que la manœuvre soit rentable. Il existe en général une seule valeur judicieuse, et ses voisines font moins bien que le partage à parts égales.
Un second modèle qui souffle au premier
Une astuce à part, sans lien avec le découpage entre cartes, mais responsable d’une bonne part de la vitesse : la spéculation. À côté du grand modèle travaille un tout petit — le souffleur — qui devine les quelques tokens suivants. Au lieu de les générer un par un, le grand modèle vérifie toute la proposition d’un seul geste — et la vérification coûte bien moins cher que la génération.
Chez nous, cette technique fonctionne sur chaque modèle qui la prend en charge et accélère l’écriture de 1,3 à 2,4 fois. La règle va à rebours de l’intuition : plus le modèle de base est lent, plus le pari est rentable, car le coût d’une suggestion est presque constant, alors que le pas de calcul économisé coûte de plus en plus cher.
Avec deux cartes s’ajoute une condition invisible de l’extérieur : le souffleur doit résider sur la même carte que les dernières couches du grand modèle. Installé négligemment, il s’éparpille entre les cartes et, au lieu d’aider, il coûte. Nous avons mesuré la différence : 27 contre 119 tokens par seconde sur le même modèle. Toute la différence tient à un seul paramètre indiquant où le souffleur doit habiter.
Combien cela coûte aujourd’hui
Prix de détail européens, août 2026 :
| Variante | Mémoire | Prix |
|---|---|---|
| RTX 5090 — une carte | 32 Go | 4 400–4 650 € (5 100–5 350 $) |
| RTX 5070 Ti — deux cartes | 16 Go + 16 Go | 2 100 € (2 400 $) |
La paire de cartes coûte 47 % du prix de la carte haut de gamme, pour une capacité mémoire identique. S’y ajoute une exigence facile à oublier : la carte mère doit offrir deux emplacements avec une répartition raisonnable des lignes, et le boîtier — de la place pour deux cartes et un flux d’air entre elles.
Ces chiffres sont à prendre comme un instantané, car le marché va dans une seule direction. NVIDIA a déjà relevé ses prix deux fois en 2026 — de 10–15 % en janvier sur toute la gamme RTX 50, puis en mai sur la seule RTX 5090 — et une troisième correction de l’ordre de 20–30 % est annoncée. La cause n’est pas la demande de cartes, mais la mémoire : Samsung a augmenté les prix de la DRAM d’environ 20 % en un trimestre, et la pénurie de mémoire est prévue au moins jusqu’en 2028. Le détail le ressent déjà — la RTX 5090 atteignait en juillet 2026 environ 4 329 $ (marché américain), et les versions non standard dépassaient les 5 000 $.
Pour l’acheteur, une seule conclusion : une hausse en pourcentage frappe plus fort la variante la plus chère. Trente pour cent, c’est environ 630 € (720 $) pour la paire de cartes et près de 1 390 € (1 600 $) pour la carte haut de gamme. L’écart de prix entre les deux voies ne se resserre pas — il grandit.
Ce qu’il faut en retenir à l’achat
Deux cartes de milieu de gamme donnent la capacité de la carte haut de gamme pour moins de la moitié du prix, mais pas son débit. Si ce qui compte est le record de tokens par seconde sur un seul grand modèle — une carte puissante unique l’emporte. Si ce qui compte est quel modèle et quelle longueur de contexte tiendront tout court — deux cartes font exactement le même travail, pour moins cher.
Une seule condition : les cartes doivent être identiques. Avec le découpage par couches, elles travaillent l’une après l’autre, et la plus faible de la paire dicterait le rythme de l’ensemble.
Tous les chiffres de performance proviennent des mesures de notre machine de test : 2 × RTX 5070 Ti 16 Go, découpage par couches, un modèle à la fois. Prix du matériel : marché européen, août 2026 — vérifiez les prix du moment avant d’acheter.
Sources sur les hausses de prix : ThinkComputers — RTX 50 prices could jump another 30% · TechSpot — GPU pricing, mid-2026