В своем дебюте в тестах MLPerf, результаты которых были опубликованы сегодня, платформа NVIDIA Vera Rubin демонстрирует лидирующую производительность в обучении, постобучении и агентном выводе.
NVIDIA заняла первые места во всех тестах MLPerf Training v6.1, а в своей первой заявке на MLPerf Endpoints обеспечила более чем 10-кратный прирост пропускной способности на ватт для агентного ИИ по сравнению с предыдущим поколением — измеряя, какой объем агентной работы выполняет система на каждый ватт потребляемой мощности.
Эти результаты — только начало. Производительность Vera Rubin будет продолжать расти благодаря постоянной оптимизации программного стека NVIDIA на базе CUDA, поэтому инфраструктура, в которую клиенты инвестируют сегодня, со временем будет приносить еще больше пользы.
ИИ-агенты сегодня повсюду: они пишут код, управляют бизнес-процессами, отвечают на вопросы клиентов и, как подчеркивается на конференции SC26 на этой неделе, способствуют развитию научных исследований.
Более быстрое обучение означает, что более умные агенты быстрее доберутся до пользователей, модели для разработки лекарств смогут идти в ногу с новыми лабораторными данными, а модели обнаружения мошенничества смогут быстрее адаптироваться к новым угрозам.
MLPerf Training измеряет, насколько быстро система может обучить ряд моделей ИИ до целевого уровня точности.
Платформа NVIDIA стала единственной, показавшей результаты по всем тестам в этом раунде, охватывающим большие языковые модели, генерацию изображений, рекомендательные системы и постобучение с подкреплением. В своем дебюте Vera Rubin NVL72 обеспечила до 2 раз большую производительность на GPU, чем высокооптимизированная система NVIDIA GB300 NVL72 — это ранние результаты, демонстрирующие темпы инноваций от поколения к поколению.
NVIDIA также продемонстрировала производительность в масштабе. В тесте DeepSeek-V3 система Vera Rubin NVL72 масштабировалась с 256 до 1024 GPU с эффективностью около 97%: увеличение количества GPU в четыре раза сократило время обучения с 16 минут до примерно четырех.
NVIDIA также провела тестирование на 10 240 GPU с использованием систем GB300, что стало крупнейшим масштабом в этом раунде. Microsoft Azure достигла того же масштаба с 10 240 GPU NVIDIA в системах GB200.
Результаты в таком масштабе важны, потому что добавление GPU ускоряет обучение только в том случае, если они могут эффективно работать вместе. Сетевая архитектура NVIDIA NVLink для масштабирования внутри узлов объединяет GPU в каждой системе так, чтобы они работали как единое целое, а сетевые решения NVIDIA Quantum-X800 InfiniBand и Spectrum-X Ethernet для масштабирования между узлами связывают эти системы по всему центру обработки данных. В сочетании с оптимизированным программным обеспечением это позволяет тысячам GPU работать согласованно, помогая разработчикам создавать более интеллектуальные модели и сокращая время обучения.
NVIDIA Vera Rubin лидирует в агентном выводе в MLPerf Endpoints
ИИ-агент для путешествий, который планирует и бронирует всю поездку, или ИТ-агент, который находит и устраняет проблему до того, как кто-либо подаст заявку, может рассуждать, вызывать инструменты и проверять свою работу много раз, чтобы выполнить одну задачу.
Каждый из этих шагов генерирует токены. Поскольку центры обработки данных ИИ ограничены мощностью, чем больше токенов система может генерировать в секунду на каждый ватт мощности, тем больше агентов она может обслуживать и тем больше ценности она создает.
MLPerf Endpoints тестирует системы на реальных агентных задачах по написанию кода и корпоративных рабочих процессах, а также проверяет, правильно ли агенты выполняют свои задачи. NVIDIA Vera Rubin лидирует по всем своим агентным тестам.
Например, в предварительном результате для Kimi K3, большой открытой модели, созданной для агентных рабочих процессов, системы Vera Rubin NVL72 обеспечивают более чем 10-кратную пропускную способность на ватт по сравнению с NVIDIA GB300 NVL72 при той же скорости отклика.
Каждый ИИ-сервис должен балансировать между обслуживанием множества пользователей одновременно и быстрым ответом каждому из них. Vera Rubin меняет всю эту кривую, обслуживая больше пользователей при более быстром отклике.
Лидерство по тестам и рабочим нагрузкам
Партнеры NVIDIA приняли активное участие в MLPerf Training, представив заявки от 20 организаций: ASUS, Azure, Cisco, CoreWeave, Crusoe, Dell Technologies, Firmus, Fujitsu, Giga Computing, Google Cloud, HPE, Inventec, Krai, Lambda, Nebius, Oracle, Quanta Cloud Technology (QCT), Supermicro, TTA и Университет Флориды.
Их заявки показывают, как программируемая платформа NVIDIA с библиотеками и фреймворками с открытым исходным кодом позволяет обширной экосистеме партнеров внедрять инновации и оптимизировать производительность обучения ИИ.
Лидерство выходит за рамки MLPerf.
Vera Rubin также демонстрирует лидирующую производительность в независимых тестах, включая SemiAnalysis AgentX и Artificial Analysis AgentPerf, показывая, как одна и та же инфраструктура NVIDIA может продуктивно выполнять все задачи: от предварительного обучения и постобучения до агентного вывода, а также рабочие нагрузки за пределами ИИ, такие как высокопроизводительные вычисления, представленные на SC26 на этой неделе.
Узнайте больше о результатах в технических блогах MLPerf Training и MLPerf Endpoints.











