La plataforma Vera Rubin de próxima generación de NVIDIA hizo su primera aparición en los resultados de MLPerf Training. En una publicación de la compañía publicada el 16 de noviembre, NVIDIA dice que el sistema NVL72 entregó hasta el doble de rendimiento por GPU que su sistema GB300 NVL72 en cargas de trabajo de capacitación seleccionadas. Los resultados son notables porque MLPerf es un conjunto de pruebas públicas administrado por MLCommons, que permite examinar los envíos y configuraciones del sistema en lugar de depender únicamente de la demostración del propio proveedor.
Qué mide el punto de referencia
MLPerf Training mide el tiempo que tarda un sistema en entrenar un modelo hasta un nivel de calidad objetivo específico. Sus cargas de trabajo abarcan más de un tipo de tarea informática, incluidos modelos de lenguaje grandes y generación de imágenes. Un resultado es significativo sólo si se adjuntan su carga de trabajo, configuración del sistema y criterios de finalización. No es lo mismo medir la rapidez con la que un chatbot responde a un usuario, ni un resultado de capacitación predice automáticamente el rendimiento de cada modelo que una organización pueda construir.
NVIDIA dice que fue la única empresa que presentó resultados en todos los puntos de referencia en la ronda de capacitación v6.1. Esa amplitud ofrece a los lectores un conjunto completo de entradas de una plataforma, pero no significa que cada entrada sea una competencia directa entre sistemas idénticos de diferentes proveedores. La página de resultados de MLCommons y las reglas de las pruebas comparativas son los lugares adecuados para inspeccionar qué sistemas enviaron cada carga de trabajo y en qué se diferencian las configuraciones probadas.
La prueba de ampliación detrás de la cifra del 97 por ciento
Una de las cifras más claras en la publicación de NVIDIA se refiere al entrenamiento de DeepSeek-V3. La compañía informa haber escalado el sistema Vera Rubin de 256 a 1024 GPU manteniendo aproximadamente un 97 por ciento de eficiencia. En su cuenta, aumentar cuatro veces el número de GPU redujo el tiempo de entrenamiento de aproximadamente 16 minutos a aproximadamente cuatro. La discusión complementaria de MLCommons da tiempos más específicos como 16,12 y 4,14 minutos, lo que representa una aceleración cercana a 3,9 veces.
Ese tipo de prueba de escala pregunta si los aceleradores adicionales realizan un trabajo útil en conjunto en lugar de esperar a que se produzcan cuellos de botella en la comunicación o el software. Para grandes ejecuciones de entrenamiento, las conexiones dentro de un servidor y entre servidores pueden ser tan importantes como la velocidad de un solo chip. Aun así, un escalamiento sólido en una carga de trabajo determinada no es una promesa de que cada cliente pueda reproducir el mismo resultado con un canal o modelo de datos diferente.
Cómo interpretar la reclamación de desempeño
NVIDIA también informó presentaciones de 10,240 GPU que utilizan sistemas GB300, mientras que Microsoft Azure igualó esa escala con hardware GB200. Esa comparación ilustra el tamaño cada vez mayor de las ejecuciones de referencia, pero esas dos demostraciones utilizaron diferentes generaciones de GPU. Para las empresas que presupuestan un centro de datos, el tiempo de capacitación transcurrido es sólo un insumo: la energía, la refrigeración, la disponibilidad del hardware, el costo del sistema y los requisitos de software afectan la rapidez con la que se amortiza una implementación.
Las nuevas entradas de Vera Rubin son una instantánea de los primeros puntos de referencia, no una revisión completa de los sistemas de envío bajo cargas de producción diarias. MLPerf proporciona una comparación más estructurada que una presentación de diapositivas del proveedor; sin embargo, los lectores cuidadosos deben observar cada fila, observar qué configuración se está comparando y evitar convertir una puntuación específica de una carga de trabajo en una afirmación general de que una GPU siempre es dos veces más rápida. La historia útil es la combinación de los primeros resultados publicados y una demostración de eficiencia a gran escala, con las entradas detalladas disponibles para el escrutinio técnico.
Por qué importa
El debut de MLPerf le da al mercado un punto de referencia concreto para Vera Rubin, y el resultado de la escala es más informativo que un número de rendimiento máximo no calificado porque muestra lo que sucedió a medida que aumentó el recuento de GPU. Aun así, el titular más fuerte necesita dos calificativos: compara cargas de trabajo de referencia seleccionadas y el resultado proviene de la propia descripción de NVIDIA de su envío. MLCommons publica las entradas subyacentes, que son el lugar para comprobar las configuraciones exactas. Los compradores deben combinar esos puntajes con mediciones de costos, energía y producción antes de traducir la velocidad de referencia en una decisión de infraestructura.
Fuentes y lecturas adicionales
Esta historia está escrita con palabras propias. Estos enlaces señalan la cobertura y los anuncios usados para verificar los datos.
Datos verificados 21 nov 2026.




