SK hynix beschreibt MARS als Rack-Architektur, die Speicher für mehrere Rechensysteme bündelt. HBF ist dagegen eine NAND-basierte Speichertechnik. Auf dem OCP Global Summit 2026 stellte Senior Vice President Hoshik Kim beide Entwicklungen vor; seine Angaben zu Leistung und Kapazität ordnen sie unterschiedlichen Aufgaben zu. TrendForce berichtete über Kims Ausführungen.
MARS bündelt Speicher auf Rack-Ebene
MARS steht für „Memory-Centric AI Rack-Scale System“. Die Architektur trennt Speicher von einzelnen CPU- und GPU-Servern und fasst ihn zu einem gemeinsamen Pool auf Rack-Ebene zusammen. Rechenleistung und Speicher werden so als gemeinsame Infrastruktur organisiert.
In dem von Kim beschriebenen Einsatz nutzte ein KI-Agent, der über mehrere Gesprächsrunden hinweg arbeitete, einen gemeinsam verfügbaren KV-Cache. Dieser Zwischenspeicher hält bereits berechnete Informationen bereit, damit sie im weiteren Verlauf wiederverwendet werden können.
Kim zufolge verbesserte sich die Time to First Token (TTFT) – die Zeit bis zum ersten ausgegebenen Token – bei diesem Dienst gegenüber einer Neuberechnung um den Faktor 3 bis 5. Außerdem berichtete er von einer geringeren Tail-Latenz, also kürzeren Verzögerungen am langsamen Ende der Verteilung. Beide Angaben beziehen sich auf den beschriebenen Inferenzdienst. TrendForce gibt Kims Vergleich wieder.
HBF setzt auf Kapazität statt auf HBM-Bandbreite
HBF und MARS sind keine zwei Namen für dasselbe: MARS beschreibt, wie Speicher und Rechenressourcen auf Rack-Ebene zusammenarbeiten; HBF bezeichnet eine Speichertechnik. Kim verglich HBF mit High Bandwidth Memory (HBM) und nannte dabei ein ungefähres Verhältnis:
| Vergleichsgröße | HBF im Verhältnis zu HBM, laut Kim |
| Kapazität | etwa 14-mal so hoch |
| Bandbreite | typischerweise etwa halb so hoch |
Der Vergleich verdeutlicht den unterschiedlichen Schwerpunkt: HBF soll viel Kapazität bereitstellen, während HBM die höhere Bandbreite bietet. Kim nannte keine absolute Kapazität oder Bandbreite für eine konkrete HBF-Konfiguration. TrendForce fasst seine Angaben zusammen.
Der Speicheransatz passt zu Inferenz, bei der ein Modell bereits trainiert ist und seine Gewichte vergleichsweise stabil bleiben. Flash-Speicher schreiben langsamer, als sie lesen, und haben eine begrenzte Schreibfestigkeit. IndexBox erläutert diesen allgemeinen Zielkonflikt als Grund dafür, HBF eher für leseintensive Inferenz als für schreibintensives Training einzuordnen. Die technische Einordnung von IndexBox.
HBF in SK hynix’ AI-NAND-Portfolio
SK hynix ordnet seine AI-NAND-Produkte nach unterschiedlichen Schwerpunkten. MK zufolge steht AINP für Leistung, AIND für Kapazität und AINB für Bandbreite; MK identifiziert AINB als HBF. Damit ist HBF der bandbreitenorientierte Teil dieser Produktkategorien, nicht ein Sammelbegriff für das gesamte AI-NAND-Portfolio. MK berichtet über die Einteilung.
Der genannte HBF-Fahrplan
Kim sagte, die OCP-HBF-Spezifikation 0.7 sei im Juli veröffentlicht worden. Für Version 1.0 erwartete er eine Veröffentlichung Anfang des Folgejahres; zugleich sei ein HBF-Konzeptprototyp in Entwicklung. Die Bemusterung des HBF Cube nannte Kim als geplanten Schritt für Anfang 2028. TrendForce berichtete am 13. Oktober 2026 über diese Zeitplanung.
