Datorzinātnes

NVIDIA Vera Rubin platforma dominē MLPerf apmācību un galapunktu testos

Tendela Briefing ·
5 skatījumi · 0 Komentāri
NVIDIA Vera Rubin platforma dominē MLPerf apmācību un galapunktu testos

Attēls: NVIDIA · Avots

NVIDIA jaunā Vera Rubin platforma vada MLPerf Training v6.1 testus visās kategorijās un nodrošina vairāk nekā 10 reizes lielāku efektivitātes pieaugumu MLPerf Endpoints agentu AI caurlaidē uz vatu.

NVIDIA ir guvusi pārliecinošu uzvaru ar savu Vera Rubin platformu pēdējos MLPerf vērtējumu rezultātos, atzīmējot spēcīgu debitēšanu gan apmācības, gan inferenču veiktspējas rādītājos. Pavisam nesen izlaistajos MLPerf Training v6.1 testos NVIDIA Vera Rubin sistēma bija vienīgā platforma, kas iesniedza rezultātus visos testos, aptverot lielus valodas modeļus, attēlu ģenerēšanu, rekomendāciju sistēmas un pastiprinātās mācīšanās pēcapmācības procesus. Tā nodrošināja līdz pat divreiz lielāku veiktspēju uz GPU salīdzinājumā ar augsti optimizēto NVIDIA GB300 sistēmu, izceļot straujas paaudžu uzlabojumus gan aparatūrā, gan programmatūrā.

Vera Rubin mērogojamība bija īpaši akcentēta DeepSeek-V3 testā, kur sistēma saglabāja aptuveni 97% mērogošanas efektivitāti no 256 līdz 1 024 GPU, samazinot apmācības laiku no 16 minūtēm līdz aptuveni 4 minūtēm. NVIDIA arī demonstrēja apmācību milzīgā mērogā: GB300 sistēmas palaida testus ar 10,240 GPU, kas ir lielākais šī kārtas mērogs, ko sasniedza arī Microsoft Azure, izmantojot GB200 sistēmas. Tas uzsver efektīvas daudz-GPU koordinācijas nozīmi, kas tiek panākta, izmantojot NVIDIA NVLink iekšējo tālo tīklu sistēmās un Quantum-X800 InfiniBand un Spectrum-X Ethernet ārējā datu centru tīklā.

Pirmoreiz NVIDIA MLPerf Endpoints konkursos, kas ir paredzēti agentu AI inferenču darbapriestspējai, Vera Rubin platformas nodrošināja vairāk nekā desmitkārtīgu caurlaidspējas pieaugumu uz vatu salīdzinājumā ar iepriekšējās paaudzes sistēmām, piemēram, GB300, vienlaikus saglabājot reakcijas latentumu. Tas ir būtiski, jo agentu AI uzdevumi bieži prasa daudzpakāpju loģiku un atkārtotu rīku izsaukumu, ģenerējot daudzus tokenus par katru pabeigtu darbību. Augstāka tokenu ģenerēšana uz vatu nozīmē, ka datu centri var vienlaicīgi apkalpot vairāk AI aģentu ar zemākām enerģijas izmaksām.

NVIDIA partneru ekosistēma bija būtiska šajos sasniegumos, iesniedzot rezultātus no 20 organizācijām, tostarp Asus, Cisco, Dell Technologies, Google Cloud, HPE, Oracle, Supermicro un citiem. Šīs ieguldījums atspoguļo NVIDIA CUDA darbības programmatūras kopas daudzpusību un optimizācijas potenciālu kombinācijā ar tās jaunāko aparatūras arhitektūru.

Papildus MLPerf Vera Rubin vada arī neatkarīgus AI aģentu testus, piemēram, SemiAnalysis AgentX un Artificial Analysis AgentPerf, apliecinot tā spēju gan prasīs apmācību, gan pēcapmācību, gan aģentu inferenču slodzēs. Platforma arī atbalsta augstas veiktspējas skaitļošanas vajadzības, kā tas tika demonstrēts nesenajā SC26 konferencē. NVIDIA norāda, ka turpmākas programmatūras optimizācijas vēl vairāk uzlabos Vera Rubin sniegumu, nodrošinot nepārtrauktu vērtības pieaugumu klientiem, kas iegulda šajā infrastruktūrā.

Detalizētākai tehniskai analīzei NVIDIA MLPerf Training un MLPerf Endpoints emuāri piedāvā padziļinātu pārskatu par sasniegumiem un pamatā esošajām sistēmu konfigurācijām. Vera Rubin platforma stingri nostiprina NVIDIA līderpozīcijas AI apmācības un inferenču paātrināšanā lielā mērogā, apvienojot energoefektivitāti ar nepārspējamu caurlaidspēju un mērogojamību.

MLPerfTraining v6.1 results retrieved from www.mlcommons.org on Nov 16, 2026, from the following entries: 6.1-0116 , 6.1-0030, 6.1-0135, 6.1-0020, 6.1-0049, 6.1-0123, 6.1-0138, 6.1-0073, 6.1-0124, 6.1-0129 and 6.1-0038. The MLPerf name and logo are t
MLPerfTraining v6.1 results retrieved from www.mlcommons.org on Nov 16, 2026, from the following entries: 6.1-0116 , 6.1-0030, 6.1-0135, 6.1-0020, 6.1-0049, 6.1-0123, 6.1-0138, 6.1-0073, 6.1-0124, 6.1-0129 and 6.1-0038. The MLPerf name and logo are t · Avots ↗
MLPerf® Endpoints v1.0, Kimi K3, Standardized division, Available category, published November 9, 2026. NVIDIA Vera Rubin NVL72, 32 accelerators, result 1.0.1.kimi-k3.agentic_combined.1p, run 9: concurrency = 1,024 queries, TTFT P90 = 4,673.9 ms, sys
MLPerf® Endpoints v1.0, Kimi K3, Standardized division, Available category, published November 9, 2026. NVIDIA Vera Rubin NVL72, 32 accelerators, result 1.0.1.kimi-k3.agentic_combined.1p, run 9: concurrency = 1,024 queries, TTFT P90 = 4,673.9 ms, sys · Avots ↗

Avoti un oriģinālziņas

Komentāri (0)

Komentāru vēl nav. Sāciet diskusiju.

Rakstīt komentāru

Komentāri tiek publicēti pēc moderēšanas. Jūsu vārds un komentārs būs redzami publiski. Konts