NVIDIA 的下一代 Vera Rubin 平台首次出现在 MLPerf 训练结果中。在 11 月 16 日发布的公司帖子中,NVIDIA 表示,在选定的训练工作负载中,NVL72 系统的每个 GPU 性能是其 GB300 NVL72 系统的两倍。结果值得注意,因为 MLPerf 是 MLCommons 运行的公共基准测试套件,允许检查系统提交和配置,而不是仅依赖供应商自己的演示。

基准衡量什么

MLPerf Training 测量系统将模型训练到指定目标质量水平所需的时间。其工作负载涵盖不止一种类型的计算任务,包括大型语言模型和图像生成。结果只有附加其工作量、系统配置和完成标准才有意义。它与衡量聊天机器人回答用户的速度不同,训练结果也不会自动预测组织可能构建的每个模型的性能。

NVIDIA 表示,它是唯一一家在 v6.1 训练轮中提交了所有基准测试结果的公司。这种广度为读者提供了来自一个平台的全套条目,但这并不意味着每个条目都是来自不同供应商的相同系统之间的直接竞争。 MLCommons 结果页面和基准测试规则是检查哪些系统提交了每个工作负载以及测试的配置有何不同的正确位置。

97%数字背后的放大测试

NVIDIA 帖子中最清晰的数字之一涉及 DeepSeek-V3 训练。该公司报告称,将 Vera Rubin 系统的 GPU 从 256 个 GPU 扩展到 1,024 个,同时保持约 97% 的效率。根据其说法,GPU 数量增加四倍,训练时间从大约 16 分钟减少到大约 4 分钟。 MLCommons 的补充讨论给出了更具体的时间为 16.12 和 4.14 分钟,这代表了接近 3.9 倍的加速。

这种扩展测试询问额外的加速器是否可以一起发挥有用的作用,而不是等待通信或软件瓶颈。对于大型训练运行,服务器内部和服务器之间的连接与单芯片的速度一样重要。尽管如此,对一个指定工作负载的强大扩展并不能保证每个客户都可以使用不同的数据管道或模型重现相同的结果。

如何解释性能声明

NVIDIA 还报告了使用 GB300 系统的 10,240 个 GPU 的提交情况,而 Microsoft Azure 使用 GB200 硬件匹配了这一规模。这一比较说明了基准测试运行规模的不断扩大,但这两个演示使用了不同的 GPU 代。对于制定数据中心预算的公司来说,已用培训时间只是一项输入:电源、冷却、硬件可用性、系统成本和软件要求会影响部署的回报速度。

新的 Vera Rubin 条目是早期基准快照,而不是对日常生产负载下的运输系统的全面审查。 MLPerf 提供了比供应商幻灯片更加结构化的比较,但细心的读者应该查看每一行,注意比较的是哪种配置,并避免将特定于工作负载的分数变成一个普遍的说法,即一个 GPU 的速度始终是两倍。有用的故事是首次发布的结果和大规模效率演示的结合,以及可供技术审查的详细条目。

FILEZUNA 观点

为何重要

MLPerf 的首次亮相为市场提供了 Vera Rubin 的具体参考点,并且扩展结果比不合格的峰值性能数字更具信息性,因为它显示了随着 GPU 数量增加而发生的情况。即便如此,最强的标题需要两个限定符:它比较选定的基准工作负载,结果来自 NVIDIA 自己对其提交的描述。 MLCommons 发布底层条目,这是检查确切配置的地方。在将基准速度转化为基础设施决策之前,买家应将这些分数与成本、功耗和生产测量结果相匹配。

来源

来源与延伸阅读

本文由 Filezuna 独立撰写。以下链接列出用于核实信息的报道与公告。

核实日期 2026年11月21日.

FZ报道结束
更多科技报道