Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Amd rasshiryaet vozmozhnosti obucheniya ii v mlperf training 61
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1

Источник: AMD•17 ноября 2026 г. в 00:02

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1

Узнайте, как графические процессоры AMD Instinct™ обеспечивают более быстрое обучение и более широкий охват в MLPerf® Training 6.1 благодаря приросту производительности как между поколениями, так и между раундами тестирования.

1. MLPerf® Training v6.0 и v6.1, закрытый дивизион (Closed division), дообучение Llama 2 70B LoRA и предварительное обучение Llama 3.1 8B. Заявки AMD на восьми графических процессорах AMD Instinct™ MI350X: v6.0 запись 6.0-0035 и v6.1 запись 6.1-0067. Заявки AMD на восьми графических процессорах AMD Instinct MI355X: v6.0 запись 6.0-0036 и v6.1 запись 6.1-0062. Все записи относятся к категории «Available on-premise» (доступно для локального развертывания). Время обучения в минутах, от v6.0 до v6.1: MI350X Llama 2, с 10,251459 до 8,717791; MI350X Llama 3.1, с 109,755894 до 92,074850; MI355X Llama 2, с 8,271402 до 6,979886; MI355X Llama 3.1, с 86,844700 до 72,942202. AMD рассчитала среднее арифметическое четырех сокращений времени, каждое из которых равно 100 × (1 − время обучения v6.1 / время обучения v6.0). Среднее значение составляет 15,6732%, округленно до примерно 16%. Этот совокупный показатель, рассчитанный AMD, не является официальным результатом MLPerf®. Результат не был проверен ассоциацией MLCommons. Эта оговорка относится к совокупному показателю, а не к исходным заявкам. В расчетах используются неокругленные исходные значения. Источник: Результаты обучения MLCommons.

2. MLPerf® Training v6.1, закрытый дивизион. Пять бенчмарков AMD: Llama 2 70B LoRA, Llama 3.1 8B, GPT-OSS-20B, FLUX.1 и DLRMv4. Репрезентативные заявки AMD: 6.1-0062 для трех бенчмарков языковых моделей, 6.1-0001 для смешанного рецепта FP6/FP4 FLUX.1 и 6.1-0061 для DLRMv4. Заявка AMD в MLPerf® Training v6.0 охватывала три типа бенчмарков через записи 6.0-0035, 6.0-0036 и 6.0-0037. Источник: Результаты обучения MLCommons.

3. MLPerf® Training v6.0 и v6.1, закрытый дивизион, FLUX.1. AMD представила результат 92,360373 минуты на 64 графических процессорах AMD Instinct™ MI325X в записи v6.0 6.0-0037 и 29,581063 минуты на 64 графических процессорах AMD Instinct MI355X в записи v6.1 6.1-0066. Обе записи относятся к категории «Available on-premise». AMD рассчитала производительность 3,1223× как отношение времени обучения v6.0 к времени обучения v6.1 и сокращение времени обучения на 67,9721% как 100 × (1 − время обучения v6.1 / время обучения v6.0), округлив до 3,1× и примерно 68%. Коэффициент производительности рассчитан исходя из времени достижения требуемого целевого качества. Аппаратное и программное обеспечение различаются между раундами. В расчетах используются неокругленные исходные значения. Источник: Результаты обучения MLCommons.

4. MLPerf® Training v6.1, закрытый дивизион, дообучение Llama 2 70B LoRA и предварительное обучение Llama 3.1 8B. Заявка AMD 6.1-0062 на восьми графических процессорах AMD Instinct™ MI355X сравнивается с заявкой Dell 6.1-0083 на восьми графических процессорах NVIDIA B200 и заявкой GigaComputing 6.1-0096 на восьми графических процессорах NVIDIA B300. Все записи относятся к категории «Available on-premise». Время обучения в минутах для Llama 2 и Llama 3.1 соответственно: AMD — 6,979886 и 72,942202; Dell — 7,845400 и 80,906696; GigaComputing — 6,498847 и 69,679008. AMD рассчитала сокращение времени обучения на 11,0% и 9,8% по сравнению с B200 и увеличение времени обучения на 7,4% и 4,7% по сравнению с B300. Меньше времени = 100 × (1 − время AMD / время компаратора); больше времени = 100 × (время AMD / время компаратора − 1). В расчетах используются неокругленные исходные значения. Источник: Результаты обучения MLCommons.

5. MLPerf® Training v6.1, закрытый дивизион, GPT-OSS-20B. На 16 графических процессорах заявка Crusoe 6.1-0005 на графических процессорах AMD Instinct™ MI355X (доступно в облаке) достигла 39,738373 минут по сравнению с заявкой HPE 6.1-0100 на графических процессорах NVIDIA B300 (доступно для локального развертывания) — 52,837264 минуты: сокращение времени обучения на 24,8%. На 32 графических процессорах заявка Crusoe 6.1-0006 на графических процессорах AMD Instinct MI355X (доступно в облаке) достигла 27,156535 минут по сравнению с заявкой Университета Флориды 6.1-0149 на графических процессорах NVIDIA B200 (доступно для локального развертывания) — 37,952615 минут: сокращение времени обучения на 28,4%. Проценты являются расчетами AMD. Меньше времени = 100 × (1 − время системы GPU AMD / время компаратора). В расчетах используются неокругленные исходные значения. Источник: Результаты обучения MLCommons.

6. MLPerf® Training v6.1, закрытый дивизион, FLUX.1, 32 графических процессора. Заявка AMD 6.1-0001 на графических процессорах AMD Instinct™ MI355X (доступно в облаке) использовала смешанный рецепт MXFP6/MXFP4 и достигла 47,108858 минут. Заявка AMD 6.1-0064 на графических процессорах AMD Instinct MI355X (доступно для локального развертывания) использовала смешанный рецепт MXFP8/MXFP4 и достигла 47,179163 минут. Заявка Университета Флориды 6.1-0149 на графических процессорах NVIDIA B200 достигла 57,752417 минут. Заявка Dell 6.1-0090 на графических процессорах NVIDIA GB300 достигла 42,989146 минут. Обе заявки NVIDIA относятся к категории «Available on-premise». Для рецептов MXFP6/MXFP4 и MXFP8/MXFP4 соответственно AMD рассчитала сокращение времени обучения на 18,4% и 18,3% по сравнению с B200 и увеличение времени обучения на 9,6% и 9,7% по сравнению с GB300, что в сумме составляет примерно на 18% меньше и примерно на 10% больше. Меньше времени = 100 × (1 − время AMD / время компаратора); больше времени = 100 × (время AMD / время компаратора − 1). В расчетах используются неокругленные исходные значения. Аппаратное обеспечение, программное обеспечение и среды развертывания различаются. Источник: Результаты обучения MLCommons.

7. MLPerf® Training v6.1, закрытый дивизион, DLRMv4, 64 графических процессора. Заявка Crusoe 6.1-0007 на графических процессорах AMD Instinct™ MI355X (доступно в облаке) достигла 4,631798 минут. Заявка Cisco 6.1-0069 на графических процессорах NVIDIA B300 (доступно для локального развертывания) достигла 7,537431 минуты. Заявка Quanta Cloud Technology 6.1-0137 на графических процессорах NVIDIA GB300 (доступно для локального развертывания) достигла 4,584523 минут. AMD рассчитала сокращение времени обучения на 38,5% по сравнению с B300 как 100 × (1 − время системы GPU AMD / время B300) и увеличение времени обучения примерно на 1% по сравнению с GB300 как 100 × (время системы GPU AMD / время GB300 − 1). В расчетах используются неокругленные исходные значения. Источник: Результаты обучения MLCommons.

8. MLPerf® Training v6.1, закрытый дивизион, сопоставленные результаты для восьми графических процессоров AMD Instinct™ MI355X для Llama 2 70B LoRA, Llama 3.1 8B, GPT-OSS-20B и DLRMv4. Эталонные заявки AMD: 6.1-0062 для трех бенчмарков языковых моделей и 6.1-0061 для DLRMv4. 20 сопоставленных партнерских результатов включают: Crusoe 6.1-0004 для Llama 3.1 8B, GPT-OSS-20B и DLRMv4; Oracle 6.1-0057 для Llama 2 70B LoRA, GPT-OSS-20B и DLRMv4; Dell 6.1-0085 и 6.1-0086, каждая для всех трех бенчмарков языковых моделей; HPE 6.1-0102 для всех трех бенчмарков языковых моделей; MiTAC 6.1-0114 для Llama 2 70B LoRA; Supermicro 6.1-0141 для всех трех бенчмарков языковых моделей и 6.1-0142 для DLRMv4. Crusoe и Oracle — это заявки, доступные в облаке; эталонные заявки AMD и другие партнерские заявки доступны для локального развертывания. AMD рассчитала каждый нормализованный процент производительности как 100 × время обучения эталона AMD / время обучения партнера. Среднее арифметическое по 20 сопоставленным результатам составляет 96,1452%, округленно до примерно 96%. Диапазон составляет от 90,6302% до 100,6346%, округленно до примерно 91%–101%. В расчетах используются неокругленные исходные значения. Этот совокупный показатель, рассчитанный AMD, не является официальным результатом MLPerf®. Результат не был проверен ассоциацией MLCommons. Эта оговорка относится к совокупному показателю, а не к исходным заявкам. Источник: Результаты обучения MLCommons.

9. MLPerf® Training v6.1, закрытый дивизион, предварительное обучение Llama 3.1 8B, заявки Crusoe на графических процессорах AMD Instinct™ MI355X, доступно в облаке. В заявке 6.1-0004 использовался один узел и восемь графических процессоров, результат составил 78,339421 минуты; в заявке 6.1-0005 использовались два узла и 16 графических процессоров, результат составил 43,225950 минуты; в заявке 6.1-0003 использовались 16 узлов и 128 графических процессоров, результат составил 14,073931 минуты, округленно до 14,07 минуты. Заявка со 128 графическими процессорами является крупнейшей по количеству графических процессоров AMD Instinct в наборе результатов Training v6.1, рассмотренном для данного сравнения. Источник: Результаты MLCommons Training.

10. MLPerf® Training v6.1, закрытый дивизион, структура подачи заявок и метаданные рецептов. Заявка AMD 6.1-0062 определяет AMD Primus для Llama 2 70B LoRA, Llama 3.1 8B и GPT-OSS-20B; заявка AMD 6.1-0001 определяет AMD Primus для смешанного рецепта FP6/FP4 FLUX.1. Они представляют четыре из пяти типов бенчмарков AMD. Заявка HPE 6.1-0102, заявка Supermicro 6.1-0141 и заявки Crusoe 6.1-0003, 6.1-0004 и 6.1-0005 также указывают AMD Primus в своих метаданных. DLRMv4 использовал отдельный стек обучения. Источник: Результаты MLCommons Training.

11. MLPerf® Endpoints v1.0, стандартизированный дивизион, DeepSeek-R1, категория «Доступно». Отправитель: Azure. Система: Azure ND MI300X v5, один узел с восемью ускорителями. Идентификатор результата MLPerf: 1.0.1.deepseek-r1.legacy_mlperf_deepseek_r1.1p. Метаданные заявки указывают, что MangoBoost предоставил рецепт бенчмарка и руководство по настройке производительности. Отчет является предварительным. До завершения проверки ассоциацией MLCommons результаты могут быть изменены по итогам экспертной оценки. Источник: Отчет о подаче заявок MLCommons Endpoints.

12. Название и логотип MLPerf являются зарегистрированными и незарегистрированными товарными знаками MLCommons Association в Соединенных Штатах и других странах. Все права защищены. Несанкционированное использование строго запрещено. Дополнительную информацию см. в www.mlcommons.org.

← Все статьи

О чём эта статья

Ещё в разделе «Hardware и электроника»

Все →
Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентамиПресса
Apple

Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентами

[Экосистема ИИ] Завершение формирования ИИ: Физический интеллект и роль памяти
SK hynix

[Экосистема ИИ] Завершение формирования ИИ: Физический интеллект и роль памяти

Европейские технологические лидеры сформировали консорциум AI Gigafactory Northern для создания надежной и устойчивой инфраструктуры ИИ
Nokia

Европейские технологические лидеры сформировали консорциум AI Gigafactory Northern для создания надежной и устойчивой инфраструктуры ИИ

Nokia подписывает соглашение о патентном лицензировании с ASUS
Nokia

Nokia подписывает соглашение о патентном лицензировании с ASUS

Schneider Electric вновь признана «формирователем рынка» (Market Shaper) в отчете Gartner® Emerging Market Quadrant по услугам в области физического ИИ за ноябрь 2026 года
Schneider Electric

Schneider Electric вновь признана «формирователем рынка» (Market Shaper) в отчете Gartner® Emerging Market Quadrant по услугам в области физического ИИ за ноябрь 2026 года

Контроль дизайна для вездесущего интерфейса — на ветреном Web Summit
Logitech

Контроль дизайна для вездесущего интерфейса — на ветреном Web Summit

Ещё от AMD

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ
AMD

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes
AMD

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes

Открытый программный стек для объединения квантовых компьютеров и суперкомпьютеров
AMD

Открытый программный стек для объединения квантовых компьютеров и суперкомпьютеров

Компонуемая среда выполнения Qblox и AMD
AMD

Компонуемая среда выполнения Qblox и AMD

Эра эксафлопса была лишь началом: графические процессоры AMD Instinct™ MI430X
AMD

Эра эксафлопса была лишь началом: графические процессоры AMD Instinct™ MI430X

Платформы на базе AMD EPYC 9006 SP7 уже поставляются
AMD

Платформы на базе AMD EPYC 9006 SP7 уже поставляются