NVIDIA's next-generation Vera Rubin platform has made its first appearance in MLPerf Training results. In einem am 16. November veröffentlichten Unternehmensbeitrag sagt NVIDIA, dass das NVL72-System bei ausgewählten Trainings-Workloads bis zu doppelt so viel Leistung pro GPU lieferte wie sein GB300 NVL72-System. Die Ergebnisse sind bemerkenswert, da es sich bei MLPerf um eine öffentliche Benchmark-Suite handelt, die von MLCommons betrieben wird und die die Prüfung von Systemeinreichungen und -konfigurationen ermöglicht, anstatt sich nur auf die eigene Demonstration eines Anbieters zu verlassen.

Was der Benchmark misst

MLPerf Training misst die Zeit, die ein System benötigt, um ein Modell auf ein bestimmtes Zielqualitätsniveau zu trainieren. Seine Arbeitslasten umfassen mehr als eine Art von Rechenaufgabe, einschließlich großer Sprachmodelle und Bildgenerierung. Ein Ergebnis ist nur dann aussagekräftig, wenn es mit Arbeitslast, Systemkonfiguration und Abschlusskriterien verknüpft ist. Es ist nicht dasselbe wie die Messung, wie schnell ein Chatbot einem Benutzer antwortet, und ein Trainingsergebnis sagt auch nicht automatisch die Leistung jedes Modells voraus, das eine Organisation möglicherweise erstellt.

NVIDIA gibt an, dass es das einzige Unternehmen war, das in der v6.1-Trainingsrunde Ergebnisse für alle Benchmarks vorgelegt hat. Diese Breite bietet den Lesern einen vollständigen Satz an Einträgen von einer Plattform, bedeutet aber nicht, dass jeder Eintrag ein direkter Wettbewerb zwischen identischen Systemen verschiedener Anbieter ist. Die MLCommons-Ergebnisseite und die Benchmark-Regeln sind die richtigen Orte, um zu überprüfen, welche Systeme welche Workloads übermittelt haben und wie sich die getesteten Konfigurationen unterscheiden.

Der Scale-up-Test hinter der 97-Prozent-Zahl

Eine der deutlichsten Zahlen im Beitrag von NVIDIA betrifft das DeepSeek-V3-Training. Das Unternehmen berichtet von der Skalierung des Vera Rubin-Systems von 256 auf 1.024 GPUs bei gleichzeitiger Beibehaltung einer Effizienz von etwa 97 Prozent. Seiner Meinung nach reduzierte die Erhöhung der GPU-Anzahl um das Vierfache die Trainingszeit von etwa 16 Minuten auf etwa vier. In der ergänzenden Diskussion von MLCommons werden die genaueren Zeiten mit 16,12 und 4,14 Minuten angegeben, was nahezu einer 3,9-fachen Beschleunigung entspricht.

Bei dieser Art von Skalierungstest wird gefragt, ob zusätzliche Beschleuniger sinnvoll zusammenarbeiten, anstatt auf Kommunikations- oder Softwareengpässe zu warten. Bei großen Trainingsläufen können die Verbindungen innerhalb eines Servers und zwischen Servern genauso wichtig sein wie die Geschwindigkeit eines einzelnen Chips. Dennoch ist eine starke Skalierung auf eine benannte Arbeitslast kein Versprechen, dass jeder Kunde das gleiche Ergebnis mit einer anderen Datenpipeline oder einem anderen Modell reproduzieren kann.

Wie ist der Leistungsanspruch zu interpretieren?

NVIDIA also reported submissions at 10,240 GPUs using GB300 systems, while Microsoft Azure matched that scale with GB200 hardware. Dieser Vergleich verdeutlicht die wachsende Größe der Benchmark-Läufe, aber diese beiden Demonstrationen verwendeten unterschiedliche GPU-Generationen. Für Unternehmen, die ein Rechenzentrum budgetieren, ist die verstrichene Schulungszeit nur ein Faktor: Stromversorgung, Kühlung, Hardwareverfügbarkeit, Systemkosten und Softwareanforderungen beeinflussen, wie schnell sich eine Bereitstellung auszahlt.

Bei den neuen Vera Rubin-Einträgen handelt es sich um eine frühe Benchmark-Momentaufnahme und nicht um eine vollständige Überprüfung der Versandsysteme unter alltäglichen Produktionslasten. MLPerf bietet einen strukturierteren Vergleich als ein Foliendeck eines Anbieters. Aufmerksame Leser sollten sich jedoch jede Zeile ansehen, beachten, welche Konfiguration verglichen wird, und vermeiden, aus einer arbeitslastspezifischen Bewertung eine allgemeine Behauptung zu machen, dass eine GPU immer doppelt so schnell ist. Die nützliche Geschichte ist die Kombination aus ersten veröffentlichten Ergebnissen und einer groß angelegten Effizienzdemonstration, wobei die detaillierten Einträge für die technische Prüfung verfügbar bleiben.

FILEZUNA-KONTEXT

Warum es wichtig ist

Das MLPerf-Debüt gibt dem Markt einen konkreten Bezugspunkt für Vera Rubin, und das Skalierungsergebnis ist aussagekräftiger als eine unqualifizierte Spitzenleistungszahl, weil es zeigt, was passierte, als die GPU-Anzahl zunahm. Dennoch benötigt die stärkste Schlagzeile zwei Qualifikationsmerkmale: Sie vergleicht ausgewählte Benchmark-Workloads und das Ergebnis stammt aus NVIDIAs eigener Beschreibung seiner Einreichung. MLCommons veröffentlicht die zugrunde liegenden Einträge, anhand derer die genauen Konfigurationen überprüft werden können. Käufer sollten diese Ergebnisse mit Kosten-, Leistungs- und Produktionsmessungen abgleichen, bevor sie die Benchmark-Geschwindigkeit in eine Infrastrukturentscheidung umwandeln.

QUELLEN

Quellen und weiterführende Informationen

Dieser Beitrag ist eigenständig formuliert. Diese Links führen zu Berichten und Ankündigungen, mit denen die Angaben geprüft wurden.

Fakten geprüft 21.11.2026.

FZENDE DES BEITRAGS
Mehr Beiträge aus Technologie