Google Cloud julkistaa edistyneet tekoälykoulutuksen vertailuarvot seitsemännen sukupolven Ironwood-TPU:illa

Kuva: Google · Lähde
Google Cloud esittelee uudet MLPerf Training v6.1 -tulokset käyttäen seitsemännen sukupolven Ironwood-TPU:ita ja NVIDIA Grace Blackwell -GPU:ita, osoittaen huippunopeat tekoälykoulutuksen nopeudet ja tehokkuuden uusimpien esikoulutus- ja agenttipohjaisten vahvistusoppimisen vertailuarvojen mukaan.
Google Cloud on julkaissut uusia tekoälykoulutuksen suorituskykyvertailuja osana MLPerf Training v6.1 -kierrosta, korostaen merkittäviä edistysaskeleita käyttäen seitsemännen sukupolven Ironwood Tensor Processing Unitseja (TPU) ja NVIDIA Grace Blackwell -grafiikkaprosessoreita. Nämä tulokset osoittavat Googlen jatkuvan panostuksen yhteissuunniteltuun piiriin, verkotukseen ja avoimeen ohjelmistoarkkitehtuuriin tekoälyhyperkoneensa infrastuktuurissa.
Merkittävimpien saavutusten joukossa 8 192 Ironwood TPU:ta suoritti esikoulutuksen suuressa koneoppimismallissa vain 1,70 minuutissa, skaalautuen tehokkaasti jopa 4 096 siruun 96 %:n jatkuvalla tehokkuudella. Tämä nopea koulutusaika merkitsee tärkeää virstanpylvästä tekoälyn kehityssyklien lyhentämisessä suurten mallien osalta.
Lisäksi Ironwood-arkkitehtuuri osoitti kykynsä uudessa agenttipohjaisen vahvistusoppimisen (RL) vertailuarvossa – ensimmäisessä laatuaan MLPerf-kilpailussa. Käyttäen 640 Ironwood TPU:ta järjestelmä saavutti agenttipohjaisen RL:n tavoitekoodaus- tarkkuuden 18,02 minuutissa, ylittäen vertailuarvon tavoitepistemäärän 0,69 tuloksella 0,765. Koulutusjärjestely optimoi myös sirujen käytön, varmistaen, että laitteisto oli toimettomana alle 3 % ajasta samanaikaisen koodin generoinnin ja oppimisen aikana.
TPU:iden ohella Google Cloud toimitti tuloksia myös NVIDIA Grace Blackwell -GPU:illa A4X Max -instansseillaan. 256 NVIDIA GB300 -GPU:iden klusteri suoritti esikoulutusvertailun 31,96 minuutissa, ja lisätoimituksia kohdistettiin agenttipohjaiseen RL-vertailuun.
Nämä vertailuarvot heijastavat Googlen räätälöidyn laitteiston ja ohjelmistopinon synergiaa, puskien tekoälykoulutuksen nopeuden ja tehokkuuden rajoja. Yksityiskohtaiset tulokset korostavat tiiviisti integroidun pilvitekoälyinfrastruktuurin hyötyjä, joka on räätälöity suurille ja monimutkaisille mallikuormille.
Täydelliset tekniset tiedot ja lisätulokset MLPerf Training v6.1 -kierrokselta löytyvät Google Cloudin virallisesta blogista.
Lähteet ja alkuperäiset raportit
Lue alkuperäinen lähde ↗

Kommentit (0)
Ei vielä kommentteja. Aloita keskustelu.
Kirjoita kommentti
Kommentit julkaistaan moderoinnin jälkeen. Nimesi ja kommenttisi näkyvät julkisesti. Tili