A plataforma Vera Rubin de próxima geração da NVIDIA fez sua primeira aparição nos resultados do MLPerf Training. Em uma postagem da empresa publicada em 16 de novembro, a NVIDIA afirma que o sistema NVL72 proporcionou até o dobro do desempenho por GPU de seu sistema GB300 NVL72 em cargas de trabalho de treinamento selecionadas. Os resultados são notáveis ​​porque o MLPerf é um conjunto de benchmark público executado pela MLCommons, permitindo que os envios e configurações do sistema sejam examinados em vez de depender apenas da demonstração do próprio fornecedor.

O que o benchmark mede

O treinamento MLPerf mede o tempo que um sistema leva para treinar um modelo para um nível de qualidade alvo especificado. Suas cargas de trabalho abrangem mais de um tipo de tarefa de computação, incluindo grandes modelos de linguagem e geração de imagens. Um resultado é significativo apenas com sua carga de trabalho, configuração do sistema e critérios de conclusão anexados. Não é o mesmo que medir a rapidez com que um chatbot responde a um usuário, nem um resultado de treinamento prevê automaticamente o desempenho de cada modelo que uma organização pode construir.

A NVIDIA afirma que foi a única empresa com resultados apresentados em todos os benchmarks na rodada de treinamento v6.1. Essa amplitude dá aos leitores um conjunto completo de inscrições de uma plataforma, mas não significa que cada inscrição seja uma competição direta entre sistemas idênticos de fornecedores diferentes. A página de resultados do MLCommons e as regras do benchmark são os locais certos para inspecionar quais sistemas enviaram cada carga de trabalho e como as configurações testadas diferem.

O teste de aumento de escala por trás do número de 97 por cento

Um dos números mais claros na postagem da NVIDIA diz respeito ao treinamento do DeepSeek-V3. A empresa relata que escalou o sistema Vera Rubin de 256 para 1.024 GPUs, mantendo cerca de 97% de eficiência. Segundo ele, aumentar a contagem de GPU em quatro vezes reduziu o tempo de treinamento de aproximadamente 16 minutos para cerca de quatro. A discussão suplementar do MLCommons fornece tempos mais específicos como 16,12 e 4,14 minutos, o que representa uma aceleração próxima de 3,9 vezes.

Esse tipo de teste de escalabilidade pergunta se aceleradores extras fazem um trabalho útil em conjunto, em vez de aguardar gargalos de comunicação ou de software. Para grandes execuções de treinamento, as conexões dentro de um servidor e entre servidores podem ser tão importantes quanto a velocidade de um único chip. Ainda assim, o forte dimensionamento em uma carga de trabalho nomeada não é uma promessa de que cada cliente possa reproduzir o mesmo resultado com um pipeline ou modelo de dados diferente.

Como interpretar a reivindicação de desempenho

A NVIDIA também relatou envios de 10.240 GPUs usando sistemas GB300, enquanto o Microsoft Azure igualou essa escala com hardware GB200. Essa comparação ilustra o tamanho crescente das execuções de benchmark, mas essas duas demonstrações usaram gerações de GPU diferentes. Para empresas que planejam um data center, o tempo de treinamento decorrido é apenas um dado: energia, refrigeração, disponibilidade de hardware, custo do sistema e requisitos de software afetam a rapidez com que uma implantação compensa.

As novas entradas de Vera Rubin são um instantâneo de referência inicial, e não uma revisão completa dos sistemas de transporte sob cargas de produção diárias. O MLPerf fornece uma comparação mais estruturada do que uma apresentação de slides do fornecedor, mas leitores cuidadosos devem observar cada linha, observar qual configuração está sendo comparada e evitar transformar uma pontuação específica da carga de trabalho em uma afirmação geral de que uma GPU é sempre duas vezes mais rápida. A história útil é a combinação dos primeiros resultados publicados e uma demonstração de eficiência em larga escala, com as entradas detalhadas deixadas disponíveis para exame técnico.

CONTEXTO FILEZUNA

Por que isso importa

A estreia do MLPerf dá ao mercado um ponto de referência concreto para Vera Rubin, e o resultado do dimensionamento é mais informativo do que um número não qualificado de desempenho máximo porque mostra o que aconteceu à medida que a contagem de GPU aumentou. Mesmo assim, o título mais forte precisa de dois qualificadores: ele compara cargas de trabalho de benchmark selecionadas e o resultado vem da descrição da própria NVIDIA de seu envio. MLCommons publica as entradas subjacentes, que são o local para verificar as configurações exatas. Os compradores devem combinar essas pontuações com medições de custo, potência e produção antes de traduzir a velocidade de referência em uma decisão de infraestrutura.

FONTES

Fontes e leituras complementares

Esta história foi escrita com palavras próprias. Estes links identificam as notícias e os anúncios usados para verificar os detalhes.

Fatos verificados 21 de nov. de 2026.

FZFIM DA HISTÓRIA
Mais histórias de Tecnologia