La piattaforma Vera Rubin di prossima generazione di NVIDIA ha fatto la sua prima apparizione nei risultati di MLPerf Training. In un post aziendale pubblicato il 16 novembre, NVIDIA afferma che il sistema NVL72 ha fornito fino al doppio delle prestazioni per GPU del suo sistema GB300 NVL72 in carichi di lavoro di formazione selezionati. I risultati sono notevoli perché MLPerf è una suite di benchmark pubblica gestita da MLCommons, che consente di esaminare gli invii e le configurazioni del sistema invece di fare affidamento solo sulla dimostrazione del fornitore.
Cosa misura il benchmark
MLPerf Training misura il tempo impiegato da un sistema per addestrare un modello a un livello di qualità target specificato. I suoi carichi di lavoro abbracciano più di un tipo di attività di elaborazione, inclusi modelli linguistici di grandi dimensioni e generazione di immagini. Un risultato è significativo solo con il carico di lavoro, la configurazione del sistema e i criteri di completamento allegati. Non è la stessa cosa che misurare la velocità con cui un chatbot risponde a un utente, né un risultato della formazione prevede automaticamente le prestazioni di ogni modello che un’organizzazione potrebbe costruire.
NVIDIA afferma di essere stata l'unica azienda ad avere presentato risultati per ogni benchmark nel ciclo di formazione v6.1. Questa ampiezza offre ai lettori una serie completa di voci da un’unica piattaforma, ma non significa che ogni voce sia un concorso diretto tra sistemi identici di fornitori diversi. La pagina dei risultati di MLCommons e le regole del benchmark sono i posti giusti per verificare quali sistemi hanno inviato ciascun carico di lavoro e in che modo differiscono le configurazioni testate.
Il test di scale-up dietro la cifra del 97%.
Uno dei dati più chiari nel post di NVIDIA riguarda la formazione DeepSeek-V3. L'azienda riferisce di aver scalato il sistema Vera Rubin da 256 a 1.024 GPU mantenendo un'efficienza di circa il 97%. Nel suo resoconto, aumentando il numero di GPU di quattro volte si riduce il tempo di allenamento da circa 16 minuti a circa quattro. La discussione supplementare di MLCommons fornisce tempi più specifici come 16,12 e 4,14 minuti, che rappresentano un aumento di velocità vicino a 3,9 volte.
Questo tipo di test di ridimensionamento chiede se gli acceleratori aggiuntivi svolgono un lavoro utile insieme invece di attendere la comunicazione o i colli di bottiglia del software. Per cicli di formazione di grandi dimensioni, le connessioni all'interno di un server e tra server possono avere la stessa importanza della velocità di un singolo chip. Tuttavia, una forte scalabilità su un determinato carico di lavoro non garantisce che ogni cliente possa riprodurre lo stesso risultato con una pipeline o un modello di dati diverso.
Come interpretare la dichiarazione di prestazione
NVIDIA ha inoltre segnalato l'invio di 10.240 GPU utilizzando sistemi GB300, mentre Microsoft Azure ha eguagliato tale scala con hardware GB200. Questo confronto illustra la dimensione crescente delle esecuzioni di benchmark, ma queste due dimostrazioni hanno utilizzato generazioni di GPU diverse. Per le aziende che pianificano un data center, il tempo di formazione trascorso è solo uno degli input: alimentazione, raffreddamento, disponibilità dell'hardware, costi di sistema e requisiti software influiscono sulla rapidità con cui l'implementazione viene ripagata.
Le nuove voci di Vera Rubin sono una prima istantanea di benchmark, non una revisione completa dei sistemi di spedizione nell'ambito dei carichi di produzione quotidiani. MLPerf fornisce un confronto più strutturato rispetto a una presentazione di un fornitore, ma i lettori attenti dovrebbero guardare ogni riga, annotare quale configurazione viene confrontata ed evitare di trasformare un punteggio specifico del carico di lavoro in un'affermazione generale secondo cui una GPU è sempre due volte più veloce. La storia utile è la combinazione dei primi risultati pubblicati e di una dimostrazione di efficienza su larga scala, con le voci dettagliate lasciate a disposizione per un esame tecnico.
Perché è importante
Il debutto di MLPerf offre al mercato un punto di riferimento concreto per Vera Rubin, e il risultato dello scaling è più informativo di un numero non qualificato di prestazioni di picco perché mostra cosa è successo con l'aumento del numero di GPU. Anche così, il titolo più forte ha bisogno di due qualificatori: confronta carichi di lavoro di benchmark selezionati e il risultato deriva dalla descrizione di NVIDIA della sua presentazione. MLCommons pubblica le voci sottostanti, che sono il luogo in cui verificare le configurazioni esatte. Gli acquirenti dovrebbero abbinare questi punteggi alle misurazioni di costi, potenza e produzione prima di tradurre la velocità di riferimento in una decisione sull’infrastruttura.
Fonti e approfondimenti
Questa storia è scritta con parole originali. Questi link indicano le notizie e gli annunci usati per verificarne i dettagli.
Fatti verificati 21 nov 2026.




