La plateforme Vera Rubin de nouvelle génération de NVIDIA a fait sa première apparition dans les résultats de MLPerf Training. Dans un article de l'entreprise publié le 16 novembre, NVIDIA affirme que le système NVL72 a fourni jusqu'à deux fois les performances par GPU de son système GB300 NVL72 dans certaines charges de travail de formation. Les résultats sont remarquables car MLPerf est une suite de référence publique gérée par MLCommons, permettant d'examiner les soumissions et les configurations du système au lieu de s'appuyer uniquement sur la démonstration d'un fournisseur.

Ce que mesure le benchmark

MLPerf Training mesure le temps nécessaire à un système pour entraîner un modèle à un niveau de qualité cible spécifié. Ses charges de travail couvrent plusieurs types de tâches informatiques, notamment les grands modèles de langage et la génération d'images. Un résultat n’a de sens qu’avec sa charge de travail, sa configuration du système et ses critères d’achèvement. Ce n’est pas la même chose que de mesurer la rapidité avec laquelle un chatbot répond à un utilisateur, et un résultat de formation ne prédit pas automatiquement les performances de chaque modèle qu’une organisation pourrait créer.

NVIDIA affirme qu'elle était la seule entreprise à avoir soumis des résultats pour chaque benchmark lors du cycle de formation v6.1. Cette étendue offre aux lecteurs un ensemble complet d'entrées provenant d'une seule plateforme, mais cela ne signifie pas que chaque entrée est une compétition directe entre des systèmes identiques provenant de différents fournisseurs. La page de résultats MLCommons et les règles du benchmark sont les bons endroits pour inspecter quels systèmes ont soumis chaque charge de travail et en quoi les configurations testées diffèrent.

Le test de mise à l’échelle derrière le chiffre de 97 pour cent

L'un des chiffres les plus clairs du post de NVIDIA concerne la formation DeepSeek-V3. La société rapporte avoir fait passer le système Vera Rubin de 256 à 1 024 GPU tout en maintenant une efficacité d’environ 97 %. Selon lui, l'augmentation par quatre du nombre de GPU a réduit le temps de formation d'environ 16 minutes à environ quatre. La discussion supplémentaire de MLCommons donne les temps les plus spécifiques comme 16,12 et 4,14 minutes, ce qui représente une accélération de près de 3,9 fois.

Ce type de test de mise à l'échelle demande si des accélérateurs supplémentaires fonctionnent ensemble de manière utile au lieu d'attendre des goulots d'étranglement en matière de communication ou de logiciels. Pour les formations à grande échelle, les connexions à l’intérieur d’un serveur et entre les serveurs peuvent avoir autant d’importance que la vitesse d’une seule puce. Néanmoins, une forte mise à l’échelle sur une charge de travail nommée ne garantit pas que chaque client puisse reproduire le même résultat avec un pipeline ou un modèle de données différent.

Comment interpréter la revendication de performance

NVIDIA a également signalé des soumissions de 10 240 GPU utilisant des systèmes GB300, tandis que Microsoft Azure a égalé cette échelle avec du matériel GB200. Cette comparaison illustre la taille croissante des exécutions de référence, mais ces deux démonstrations utilisaient des générations de GPU différentes. Pour les entreprises qui budgétisent un centre de données, le temps de formation écoulé n'est qu'un élément parmi d'autres : l'alimentation, le refroidissement, la disponibilité du matériel, le coût du système et les exigences logicielles affectent la rapidité avec laquelle un déploiement est rentable.

Les nouvelles entrées de Vera Rubin sont un premier aperçu de référence, et non un examen complet des systèmes d'expédition sous les charges de production quotidiennes. MLPerf fournit une comparaison plus structurée qu'un diaporama de fournisseur, mais les lecteurs attentifs doivent examiner chaque ligne, noter quelle configuration est comparée et éviter de transformer un score spécifique à la charge de travail en une affirmation générale selon laquelle un GPU est toujours deux fois plus rapide. L'histoire utile est la combinaison des premiers résultats publiés et d'une démonstration d'efficacité à grande échelle, les entrées détaillées restant disponibles pour un examen technique.

LE CONTEXTE FILEZUNA

Pourquoi c’est important

Les débuts de MLPerf donnent au marché un point de référence concret pour Vera Rubin, et le résultat de la mise à l'échelle est plus informatif qu'un chiffre de performances maximales non qualifié, car il montre ce qui s'est passé à mesure que le nombre de GPU a augmenté. Même ainsi, le titre le plus fort nécessite deux qualificatifs : il compare des charges de travail de référence sélectionnées, et le résultat provient de la propre description de NVIDIA de sa soumission. MLCommons publie les entrées sous-jacentes, qui permettent de vérifier les configurations exactes. Les acheteurs doivent associer ces scores à des mesures de coût, de puissance et de production avant de traduire la vitesse de référence en une décision d'infrastructure.

SOURCES

Sources et lectures complémentaires

Cet article est rédigé avec nos propres mots. Ces liens indiquent les articles et annonces utilisés pour vérifier les informations.

Faits vérifiés 21 nov. 2026.

FZFIN DE L’ARTICLE
Plus d’articles Technologie