NVIDIA представила результаты MLPerf Training на платформе Vera Rubin
16 ноября 2026 года NVIDIA сообщила о дебюте платформы Vera Rubin в раунде MLPerf Training v6.1 и об участии в MLPerf Endpoints. Компания заявляет, что ее система подала результаты во всех тренировочных сценариях этого раунда, а Vera Rubin NVL72 показала до двух раз большей производительности на GPU, чем NVIDIA GB300 NVL72, в ранних результатах. Для одного агентного сценария Kimi K3 NVIDIA приводит более чем десятикратный показатель пропускной способности на ватт при заданном уровне отзывчивости. Эта часть обозначена как предварительная и ожидает проверки MLCommons. Речь идет о сравнительных измерениях в конкретных конфигурациях, а не о гарантии такой же разницы в любом дата-центре.

Что изменилось
Что измеряет тренировочный набор
MLPerf Training сравнивает, сколько времени требуется системе, чтобы обучить ряд моделей до заданного уровня точности. В раунде фигурируют разные типы задач, включая большие языковые модели, генерацию изображений, рекомендательные системы и постобучение с подкреплением. Поэтому слово «победа» без перечня задач мало что говорит о конкретном проекте. NVIDIA указывает, что в этой подаче была единственной участницей с результатами по каждому из тренировочных бенчмарков текущего раунда. Это говорит о широте участия, но не означает, что одна система лучше во всех возможных рабочих нагрузках или что все результаты получены в одинаковой конфигурации.
Сравнение с GB300 имеет обозначенные границы
Заявление «до 2x производительности на GPU» относится к ранним результатам Vera Rubin NVL72 и системе NVIDIA GB300 NVL72. Это сравнение внутри описанных конфигураций и набора MLPerf, а не обещание двукратного ускорения произвольного обучения. На итог влияют модель, точность, объем данных, число ускорителей, программный стек и способ учета времени. Покупателю важно смотреть на время достижения целевой точности, стоимость полного запуска, потребление энергии и доступность системы в нужной конфигурации. Сравнение отдельных ускорителей также не заменяет оценку всей стойки и сетевой инфраструктуры.
MLPerf Endpoints оценивает агентную нагрузку иначе
В Endpoint-сценариях измеряется не только генерация токенов. Бенчмарк включает реальные агентные рабочие процессы и учитывает, завершает ли агент задачу корректно. Для корпоративного сценария система может выполнять несколько циклов рассуждения, вызова инструмента и проверки. В таком контексте пропускная способность должна сопоставляться с задержкой ответа и успешностью выполнения. Увеличить число токенов в секунду мало, если пользователю приходится ждать или результат перестает проходить проверку. Поэтому техническому заказчику следует отдельно изучить определения сценария, настройки конкурентности и критерии приемки, а затем повторить оценку на собственных запросах.
Результат Kimi K3 пока предварительный
Самое заметное число из анонса относится к сравнению пропускной способности на ватт для Kimi K3. NVIDIA сообщает о более чем десятикратной разнице Vera Rubin относительно GB300 при общей минимальной средней интерактивности 50 токенов в секунду на пользователя. В публикации есть детали по числу ускорителей и условиям запуска, но компания прямо указывает, что результат Vera Rubin предварительный, ожидает проверки MLCommons и может измениться после рецензирования. Поэтому его корректно цитировать как заявленный предварительный показатель с условиями сравнения, а не как сертифицированный итог. Остальные результаты также следует сопоставлять с таблицей соответствующего раунда.
Масштабирование зависит от связности системы
NVIDIA также сообщает, что Vera Rubin NVL72 масштабировалась в задаче DeepSeek-V3 от 256 до 1024 GPU примерно с эффективностью 97%; время в этом запуске сократилось примерно с 16 до четырех минут. Такой пример иллюстрирует, почему для крупных систем важны межсоединения внутри стойки и между стойками, программные оптимизации и распределение работы. Он не дает готовой оценки для иной модели, другого дата-центра или режима отказоустойчивости. При выборе инфраструктуры нужно учитывать пропускную способность сети, стоимость охлаждения, доступную электрическую мощность, загрузку и возможность обслуживать тысячи GPU без узких мест.
Как читать анонс при выборе инфраструктуры
Публикация NVIDIA объединяет данные из бенчмарков и объяснение архитектуры производителя. MLPerf стандартизирует условия лучше, чем рекламная демонстрация, однако отдельные цифры все равно надо читать вместе с названием сценария, участником, конфигурацией и статусом проверки. Независимое сравнение требует смотреть на опубликованную запись раунда, а не только на пересказ компании. Для практической закупки добавляются цена поставки, доступность, сроки, программная совместимость, энергопотребление и стоимость обслуживания. Пока платформа только дебютирует в этих результатах, цифры описывают тестовую подачу и не доказывают общую экономику владения.
Что это дает пользователю
Vera Rubin впервые появилась в упомянутом раунде MLPerf Training.
NVIDIA привела раннее сравнение Vera Rubin NVL72 с GB300 NVL72.
Показатель Kimi K3 помечен компанией как предварительный и ожидающий проверки.
Что нужно учитывать
Заявления и результаты приведены NVIDIA; не все цифры имеют одинаковый статус подтверждения.
Бенчмарк измеряет ограниченный набор задач и не предсказывает результат на любой модели.
Показатель Kimi K3 предварительный и может измениться после рассмотрения MLCommons.
Коротко
Анонс показывает ранние результаты Vera Rubin на стандартизированных наборах обучения и обслуживания моделей. Для выводов о покупке важны первичные записи бенчмарка, статус проверки, сопоставимость конфигураций и повторение измерений на реальной нагрузке.