Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Lambda obespechivaet bolee bystroe obuchenie ii dlya yazykovyh i graficheskih mo
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Lambda обеспечивает более быстрое обучение ИИ для языковых и графических моделей

Источник: Lambda•16 ноября 2026 г. в 16:39

Lambda обеспечивает более быстрое обучение ИИ для языковых и графических моделей

Новые результаты MLPerf Training v6.1 демонстрируют ускорение обучения языковых моделей в 2,86 раза на новейших вычислительных ускорителях NVIDIA и в 1,50 раза — графических моделей благодаря обновленному программному обеспечению.

Новые результаты MLPerf Training v6.1 демонстрируют ускорение обучения языковых моделей в 2,86 раза на новейших вычислительных ускорителях NVIDIA и в 1,50 раза — графических моделей благодаря обновленному программному обеспечению.

MLPerf — это золотой стандарт тестирования систем ИИ и их производительности. За почти девятилетнюю историю в MLPerf внесли свой вклад более 100 поставщиков, а 25 из них приняли участие в последнем раунде обучения, MLPerf Training v6.1. Результат MLPerf Training измеряет время, необходимое системе для обучения модели до заранее определенного целевого показателя качества. Этот результат проходит экспертную оценку перед публичной публикацией. Благодаря этой методологии MLPerf стал доверенным набором тестов для рабочих нагрузок ИИ с момента своего создания в 2018 году.

В этом раунде MLPerf Training компания Lambda добилась измеримых улучшений по двум рабочим нагрузкам на 64 графических процессорах NVIDIA Blackwell Ultra в составе единой системы NVIDIA GB300 NVL72. Мы завершили обучение модели с использованием смеси экспертов (GPT-OSS-20B) за 19,697 минуты. Это представляет собой улучшение в 2,86 раза по сравнению с той же рабочей нагрузкой на 64 графических процессорах NVIDIA H100 в прошлом раунде (Cisco). Мы также обучили модель преобразования текста в изображение Flux.1 за 26,36 минуты в ходе неофициального воспроизведения, что на 1,50 раза быстрее, чем лучший результат на том же оборудовании полгода назад, в основном за счет улучшений программного стека.

Результаты Lambda в MLPerf Training v6.1

Ниже приведены наши результаты на 64 графических процессорах NVIDIA Blackwell Ultra для двух моделей: GPT-OSS-20B (официальный результат MLPerf) и Flux.1 (неофициальное воспроизведение).

Модель

Система

Время обучения

Статус

Примечания

GPT-OSS-20B

NVIDIA GB300 NVL72 (64 графических процессора NVIDIA Blackwell Ultra)

19,697 мин

Официальный

Масштабный запуск обучения MoE.

Flux.1

NVIDIA GB300 NVL72 (64 графических процессора NVIDIA Blackwell Ultra)

26,36 мин

Неофициальный

Наша первая мультимодальная рабочая нагрузка обучения. Журналы и код доступны публично.

Время до решения измеряется в минутах до сходимости.

GPT-OSS-20B: веский аргумент в пользу перехода на NVIDIA GB300 NVL72

GPT-OSS-20B был одним из первых эталонных тестов обучения с использованием смеси экспертов (MoE) в MLPerf, представленным в MLPerf Training v6.0. Это важно, поскольку MoE является одной из наиболее широко используемых архитектур, лежащих в основе современных приложений на базе LLM. В отличие от плотных LLM, модели MoE активируют только подмножество своих общих параметров на токен, что значительно сокращает время, затрачиваемое на прямой проход, и, следовательно, общие затраты на обучение и логический вывод. Это делает тест GPT-OSS-20B полезной эталонной рабочей нагрузкой для команд, создающих приложения для рассуждений и агентные приложения на архитектурах MoE.

Наши результаты показали, что 64 графических процессора NVIDIA Blackwell Ultra обучили модель в 2,86 раза быстрее, чем 64 графических процессора NVIDIA H100 в прошлом раунде (Cisco), и в 1,37 раза быстрее, чем 64 графических процессора NVIDIA Blackwell (8 систем NVIDIA HGX™ B200) в прошлом раунде (CoreWeave). Это веская причина для команд, рассматривающих возможность обновления.

Для команд, взвешивающих необходимость обновления, ускорение дает три практических преимущества:

  • Более быстрая итерация НИОКР: тот же эксперимент завершается быстрее, поэтому команды могут проводить больше экспериментов в неделю.
  • Более быстрый вывод на рынок: более короткие циклы обучения означают, что модели выпускаются быстрее.
  • Более низкая стоимость одного запуска: достижение целевого показателя качества за меньшее время означает меньшее количество оплачиваемых часов работы GPU.

Flux.1: наш первый шаг в эталонные тесты мультимодального обучения

Training v6.1 — это также первый случай, когда Lambda запустила мультимодальную рабочую нагрузку через инструментарий MLPerf. Flux.1, представленный в Training v5.1, последовал за Stable Diffusion, первым эталонным тестом обучения преобразованию текста в изображение в MLPerf. Это важно, поскольку модели генерации изображений составляют растущую долю того, что обучают команды, и они тесно связаны с физическим ИИ: диффузионные модели изображений все чаще используются для генерации синтетических данных и симулированных сред для робототехники, автономных транспортных средств и других систем, которые воспринимают реальный мир и действуют в нем. Они также создают иную нагрузку на систему, чем языковые модели. Мы хотели показать, что та же инфраструктура, которую мы тестируем для LLM и моделей MoE, хорошо работает и с ними.

Мы обучили Flux.1 на 64 графических процессорах NVIDIA Blackwell Ultra и достигли сходимости за 26,36 минуты, что в 1,50 раза быстрее, чем лучший результат для этой рабочей нагрузки на том же оборудовании в прошлом раунде. Примечательно, что улучшение в основном связано с усовершенствованиями программного стека, так как наше первое воспроизведение рабочей нагрузки на той же аппаратной системе с использованием NVIDIA CUDA™ версии 13.4.1, драйвера CUDA 580.174.04 и PyTorch NVIDIA Release 26.08 показывает ускорение в 1,27 раза. Наше второе воспроизведение использовало оптимизированную конфигурацию, включая скорость обучения 0,00025, глобальный размер пакета 1024 и 1600 шагов прогрева, что дало еще одно ускорение в 1,18 раза. Это показывает, что обновленный программный стек и оптимизированная конфигурация рабочей нагрузки могут принести совокупную выгоду.

Наше неофициальное воспроизведение было подготовлено после крайнего срока подачи заявок на MLPerf. Это позволило нам сравнить 64 графических процессора NVIDIA Blackwell Ultra с 64 графическими процессорами AMD Instinct MI355X на той же рабочей нагрузке. Наш неофициальный результат был в 1,12 раза быстрее официального результата AMD, код и конфигурация доступны в этом публичном репозитории.

Что это значит для вашей команды

Результаты Lambda иллюстрируют два способа повышения производительности обучения: более новое оборудование может сократить время обучения, а программные улучшения могут обеспечить дальнейший прирост на существующем оборудовании. Результат GPT-OSS-20B служит ориентиром для команд, оценивающих переход с NVIDIA H100 на NVIDIA GB300 NVL72. Неофициальное воспроизведение Flux.1 показывает дополнительный эффект от обновленного программного стека и настроенной конфигурации обучения.

Для вашей команды следующим шагом будет определение того, как эти достижения соотносятся с вашей собственной рабочей нагрузкой, бюджетом и графиком реализации.

Перед принятием обязательств по мощностям для обучения

Для команд, выбирающих мощности, и руководителей, утверждающих эти инвестиции, четыре вопроса могут помочь превратить результаты тестирования в практическое решение:

  • Насколько эталонный тест соответствует нашей рабочей нагрузке? Сравните модель, целевой показатель качества и количество графических процессоров. Используйте результат в качестве отправной точки, а затем протестируйте свою собственную репрезентативную рабочую нагрузку.
  • Что способствует улучшению? Спросите, какие достижения получены за счет более нового оборудования, обновленного программного обеспечения или изменений в конфигурации обучения. Убедитесь, что протестированная конфигурация доступна для использования вашей командой.
  • Сколько будет стоить достижение нашей цели? Оцените затраченное время на обучение вместе с ценой и общим объемом мощностей, которые вы должны зарезервировать. Более быстрый запуск на более дорогом оборудовании не обязательно означает меньший счет.
  • Можем ли мы проверить результат перед принятием более серьезных обязательств? Запросите код, конфигурации и инструкции по запуску, различайте проверенные результаты и неофициальные воспроизведения и договоритесь о небольшой оценке с четкими критериями успеха.

Цель состоит в том, чтобы выбрать мощности, исходя из времени и затрат, необходимых для достижения целевого качества вашей модели, при поддержке доказательств, которые может подтвердить ваша техническая команда.

Чтобы изучить возможности для вашей рабочей нагрузки, Lambda предлагает 1-Click Clusters для обучения на нескольких GPU и Superclusters для более крупных специализированных развертываний. Обсудите вашу модель, целевой масштаб и требования к оценке с нашей командой, чтобы определить подходящую конфигурацию.

Изучить Lambda GPU CloudУзнать о Superclusters

Сведения о системе: официальная заявка GPT-OSS-20B на 16 узлах, 64 графических процессорах NVIDIA Blackwell Ultra в единой системе NVIDIA GB300 NVL72 и с использованием PyTorch NVIDIA Release 26.08.

Все результаты подлежат окончательному рассмотрению и публикации MLCommons.

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
Представляем Perplexity Frontier Research
Perplexity

Представляем Perplexity Frontier Research

Lambda анонсирует первое в мире крупномасштабное внедрение коммутаторов NVIDIA Photonics с технологией CPO
Lambda

Lambda анонсирует первое в мире крупномасштабное внедрение коммутаторов NVIDIA Photonics с технологией CPO

deepset — финалист премии The Spark Award 2026: суверенный ИИ в промышленной эксплуатации
deepset

deepset — финалист премии The Spark Award 2026: суверенный ИИ в промышленной эксплуатации

Развитие агентов компьютерного взаимодействия для медицинских команд
OpenAI

Развитие агентов компьютерного взаимодействия для медицинских команд

Год большего: 200 000 долларов за то, что вы создадите дальше
ElevenLabs

Год большего: 200 000 долларов за то, что вы создадите дальше

Представляем Video Intelligence в Compass
Cohere

Представляем Video Intelligence в Compass

Ещё от Lambda

Lambda анонсирует первое в мире крупномасштабное внедрение коммутаторов NVIDIA Photonics с технологией CPO
Lambda

Lambda анонсирует первое в мире крупномасштабное внедрение коммутаторов NVIDIA Photonics с технологией CPO

TurboPairFormer: более быстрое, стабильное и точное дообучение OpenFold3
Lambda

TurboPairFormer: более быстрое, стабильное и точное дообучение OpenFold3

У Lambda новый адрес: lambda.com
Lambda

У Lambda новый адрес: lambda.com

Представляем управление доступом и учетными данными (IAM) для Lambda Cloud
Lambda

Представляем управление доступом и учетными данными (IAM) для Lambda Cloud

Run:ai с открытым исходным кодом теперь в Lambda Kubernetes Service
Lambda

Run:ai с открытым исходным кодом теперь в Lambda Kubernetes Service

ReLearn на CVPR 2026: может ли ИИ по-прежнему учиться у людей?
Lambda

ReLearn на CVPR 2026: может ли ИИ по-прежнему учиться у людей?