NVIDIA의 차세대 Vera Rubin 플랫폼은 MLPerf 트레이닝 결과에 처음으로 등장했습니다. NVIDIA는 11월 16일 게시된 회사 게시물에서 NVL72 시스템이 선택된 훈련 워크로드에서 GB300 NVL72 시스템보다 GPU당 최대 2배의 성능을 제공했다고 밝혔습니다. MLPerf는 MLCommons에서 운영하는 공개 벤치마크 제품군이므로 공급업체의 자체 데모에만 의존하는 대신 시스템 제출 및 구성을 검사할 수 있기 때문에 결과는 주목할 만합니다.

벤치마크가 측정하는 것

MLPerf 교육은 시스템이 지정된 목표 품질 수준으로 모델을 교육하는 데 걸리는 시간을 측정합니다. 해당 워크로드는 대규모 언어 모델 및 이미지 생성을 포함하여 두 가지 이상의 컴퓨팅 작업 유형에 걸쳐 있습니다. 결과는 작업량, 시스템 구성 및 완료 기준이 첨부되어야만 의미가 있습니다. 이는 챗봇이 사용자에게 얼마나 빨리 응답하는지 측정하는 것과 동일하지 않으며, 훈련 결과가 조직이 구축할 수 있는 모든 모델의 성능을 자동으로 예측하지도 않습니다.

NVIDIA는 v6.1 교육 라운드의 모든 벤치마크에 대해 결과를 제출한 유일한 회사라고 밝혔습니다. 이러한 폭은 독자들에게 하나의 플랫폼에서 전체 출품작 세트를 제공하지만, 모든 출품작이 서로 다른 공급업체의 동일한 시스템 간의 직접적인 경쟁이라는 의미는 아닙니다. MLCommons 결과 페이지와 벤치마크 규칙은 각 워크로드를 제출한 시스템과 테스트된 구성이 어떻게 다른지 검사할 수 있는 적합한 장소입니다.

97% 수치를 뒷받침하는 확장 테스트

NVIDIA의 게시물에서 가장 명확한 수치 중 하나는 DeepSeek-V3 교육에 관한 것입니다. 회사는 Vera Rubin 시스템을 256개에서 1,024개의 GPU로 확장하면서 약 97%의 효율성을 유지한다고 보고했습니다. 계산에 따르면 GPU 수를 4배 늘리면 훈련 시간이 약 16분에서 약 4분으로 단축되었습니다. MLCommons의 추가 논의에서는 16.12분과 4.14분으로 보다 구체적인 시간을 제공하는데, 이는 3.9배에 가까운 속도 향상을 나타냅니다.

이러한 종류의 확장 테스트에서는 통신이나 소프트웨어 병목 현상을 기다리는 대신 추가 가속기가 함께 유용한 작업을 수행하는지 여부를 묻습니다. 대규모 훈련 실행의 경우 서버 내부와 서버 간의 연결은 단일 칩의 속도만큼 중요할 수 있습니다. 하지만 명명된 하나의 워크로드에 대한 강력한 확장이 모든 고객이 다른 데이터 파이프라인이나 모델을 사용하여 동일한 결과를 재현할 수 있다는 것을 약속하는 것은 아닙니다.

성과 주장을 해석하는 방법

NVIDIA는 또한 GB300 시스템을 사용하여 10,240개의 GPU로 제출을 보고했으며 Microsoft Azure는 GB200 하드웨어와 그 규모를 일치시켰습니다. 이 비교는 벤치마크 실행 규모가 점점 커지고 있음을 보여 주지만, 이 두 시연에서는 서로 다른 GPU 세대를 사용했습니다. 데이터 센터 예산을 책정하는 기업의 경우 교육 경과 시간은 단지 하나의 입력일 뿐입니다. 전력, 냉각, 하드웨어 가용성, 시스템 비용 및 소프트웨어 요구 사항은 배포가 얼마나 빨리 성과를 거두는지에 영향을 미칩니다.

새로운 Vera Rubin 항목은 초기 벤치마크 스냅샷이며 일상적인 생산 부하에서 배송 시스템에 대한 전체 검토가 아닙니다. MLPerf는 공급업체 슬라이드 데크보다 더 구조화된 비교를 제공하지만 주의 깊은 독자는 각 행을 살펴보고 어떤 구성이 비교되고 있는지 확인하고 워크로드별 점수를 하나의 GPU가 항상 두 배 빠르다는 일반적인 주장으로 바꾸는 것을 피해야 합니다. 유용한 이야기는 처음 공개된 결과와 대규모 효율성 시연을 결합한 것이며, 자세한 항목은 기술 조사에 사용할 수 있도록 남겨두었습니다.

FILEZUNA 맥락

중요한 이유

MLPerf 데뷔는 시장에 Vera Rubin에 대한 구체적인 기준점을 제공하며, 확장 결과는 GPU 수가 증가함에 따라 어떤 일이 발생했는지 보여주기 때문에 정규화되지 않은 최고 성능 수치보다 더 많은 정보를 제공합니다. 그럼에도 불구하고 가장 강력한 헤드라인에는 두 가지 한정자가 필요합니다. 선택된 벤치마크 워크로드를 비교하고 그 결과는 제출에 대한 NVIDIA의 자체 설명에서 나옵니다. MLCommons는 정확한 구성을 확인할 수 있는 기본 항목을 게시합니다. 구매자는 벤치마크 속도를 인프라 결정으로 전환하기 전에 이러한 점수를 비용, 전력 및 생산 측정과 결합해야 합니다.

출처

출처 및 추가 읽을거리

이 기사는 자체 문장으로 작성되었습니다. 아래 링크는 사실 확인에 사용한 보도와 발표입니다.

사실 확인 2026. 11. 21..

FZ기사 끝
기술 기사 더 보기