Новости искусственного интеллекта

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.

Серверные ускорители в вычислительном кластере
Проверено 17 ноября 2026 годаМатериал основан на открытых источниках, перечисленных ниже. Самостоятельные тесты редакция не проводила.
Главное

Что изменилось

01

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.

02

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.

03

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.

04

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.

05

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.

06

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.

Практический смысл

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.

Без завышенных ожиданий

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.

Вывод СравнAI

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.

Источники

Где проверить информацию