ظهرت منصة Vera Rubin من الجيل التالي من NVIDIA لأول مرة في نتائج تدريب MLPerf. في منشور للشركة نُشر في 16 نوفمبر، تقول NVIDIA إن نظام NVL72 قدم ما يصل إلى ضعف الأداء لكل وحدة معالجة رسومات لنظام GB300 NVL72 في أعباء عمل تدريبية مختارة. النتائج ملحوظة لأن MLPerf عبارة عن مجموعة معايير عامة تديرها MLCommons، مما يسمح بفحص عمليات إرسال النظام وتكويناته بدلاً من الاعتماد فقط على العرض التوضيحي الخاص بالبائع.
ما هي التدابير المرجعية
يقيس تدريب MLPerf الوقت الذي يستغرقه النظام لتدريب النموذج على مستوى جودة مستهدف محدد. تشمل أعباء العمل الخاصة به أكثر من نوع واحد من مهام الحوسبة، بما في ذلك نماذج اللغات الكبيرة وتوليد الصور. تكون النتيجة ذات معنى فقط مع إرفاق حجم العمل وتكوين النظام ومعايير الإكمال. ولا يشبه الأمر قياس مدى سرعة إجابة برنامج الدردشة الآلي على المستخدم، كما أن نتيجة التدريب لا تتنبأ تلقائيًا بأداء كل نموذج قد تبنيه المؤسسة.
تقول NVIDIA إنها الشركة الوحيدة التي قدمت نتائج عبر كل معيار في الجولة التدريبية للإصدار 6.1. يمنح هذا الاتساع القراء مجموعة كاملة من الإدخالات من منصة واحدة، لكن هذا لا يعني أن كل إدخال هو عبارة عن مسابقة مباشرة بين أنظمة متطابقة من موردين مختلفين. تعد صفحة نتائج MLCommons وقواعد المعيار هي الأماكن المناسبة لفحص الأنظمة التي أرسلت كل عبء عمل وكيفية اختلاف التكوينات التي تم اختبارها.
اختبار النطاق وراء الرقم 97 بالمائة
أحد أوضح الأرقام في منشور NVIDIA يتعلق بتدريب DeepSeek-V3. تفيد الشركة بتوسيع نطاق نظام Vera Rubin من 256 إلى 1024 وحدة معالجة رسوميات مع الحفاظ على كفاءة تبلغ حوالي 97 بالمائة. في حسابها، أدت زيادة عدد وحدات معالجة الرسومات (GPU) أربعة أضعاف إلى تقليل وقت التدريب من حوالي 16 دقيقة إلى حوالي أربعة. تعطي مناقشة MLCommons التكميلية أوقاتًا أكثر تحديدًا مثل 16.12 و4.14 دقيقة، وهو ما يمثل سرعة قريبة من 3.9 مرة.
يسأل هذا النوع من اختبارات القياس ما إذا كانت المسرعات الإضافية تؤدي عملاً مفيدًا معًا بدلاً من انتظار اختناقات الاتصالات أو البرامج. بالنسبة لعمليات التدريب الكبيرة، يمكن أن تكون الاتصالات داخل الخادم وبين الخوادم ذات أهمية بقدر سرعة الشريحة الواحدة. ومع ذلك، فإن التوسع القوي في عبء عمل محدد لا يعد وعدًا بأن كل عميل يمكنه إعادة إنتاج نفس النتيجة باستخدام مسار بيانات أو نموذج مختلف.
كيفية تفسير المطالبة بالأداء
أبلغت NVIDIA أيضًا عن عمليات إرسال لـ 10,240 وحدة معالجة رسوميات باستخدام أنظمة GB300، بينما قامت Microsoft Azure بمطابقة هذا المقياس مع أجهزة GB200. توضح هذه المقارنة الحجم المتزايد لعمليات التشغيل المعيارية، لكن هذين العرضين استخدما أجيالًا مختلفة من وحدات معالجة الرسومات. بالنسبة للشركات التي تضع ميزانية لمركز بيانات، فإن وقت التدريب المنقضي هو مجرد مدخل واحد: تؤثر الطاقة والتبريد وتوافر الأجهزة وتكلفة النظام ومتطلبات البرامج على مدى سرعة نشر النتائج.
تعد إدخالات Vera Rubin الجديدة بمثابة لقطة مرجعية مبكرة، وليست مراجعة كاملة لأنظمة الشحن في ظل أحمال الإنتاج اليومية. يوفر MLPerf مقارنة أكثر تنظيمًا من مجموعة شرائح البائع، ومع ذلك يجب على القراء الحذرين النظر إلى كل صف، وملاحظة التكوين الذي تتم مقارنته وتجنب تحويل النتيجة الخاصة بعبء العمل إلى ادعاء عام بأن وحدة معالجة الرسومات (GPU) واحدة تكون دائمًا أسرع مرتين. القصة المفيدة هي مزيج من النتائج المنشورة لأول مرة وعرض واسع النطاق للكفاءة، مع ترك الإدخالات التفصيلية متاحة للتدقيق الفني.
لماذا يهم هذا الخبر؟
يمنح الظهور الأول لـ MLPerf السوق نقطة مرجعية ملموسة لـ Vera Rubin، وتكون نتيجة القياس أكثر إفادة من رقم ذروة الأداء غير المؤهل لأنه يوضح ما حدث مع زيادة عدد وحدات معالجة الرسومات. ومع ذلك، فإن العنوان الأقوى يحتاج إلى عنصرين مؤهلين: فهو يقارن أحمال العمل المعيارية المحددة، وتأتي النتيجة من وصف NVIDIA الخاص لتقديمه. ينشر MLCommons الإدخالات الأساسية، وهي المكان المناسب للتحقق من التكوينات الدقيقة. يجب على المشترين ربط هذه النتائج بقياسات التكلفة والطاقة والإنتاج قبل ترجمة السرعة القياسية إلى قرار بشأن البنية التحتية.
المصادر وقراءات إضافية
كُتب هذا الخبر بصياغة Filezuna الخاصة. توضح الروابط التقارير والإعلانات التي استُخدمت للتحقق من التفاصيل.
تاريخ التحقق ٢١/١١/٢٠٢٦.




