Vera-Rubin-Systeme trainieren laut NVIDIA pro GPU bis zu doppelt so schnell wie GB300

Das System Vera Rubin NVL72 ist erstmals in MLPerf Training v6.1 vertreten. MLCommons, Betreiber des Benchmarks, bestätigte, dass in dieser Runde erstmals GPUs der Rubin-Generation dabei waren.

Ein weißes Nvidia-Schild mit grünem Logo und Straßenadresse steht zwischen Bäumen und Sträuchern auf einem Firmengelände.
Archivfoto: Nvidia-Schild am Firmensitz in Santa Clara, 2020Foto: Will Buckner / Wikimedia CommonsCC BY 2.0Quelle

NVIDIAs System Vera Rubin NVL72 hat am 16. November 2026 erstmals Ergebnisse in MLPerf Training vorgelegt. Pro GPU gerechnet erreichte es nach Angaben des Unternehmens bis zu 2-mal die Leistung des Systems GB300 NVL721. Laut MLCommons, der Organisation hinter dem Benchmark, war die Runde v6.1 die erste mit GPUs der Rubin-Generation von NVIDIA2.

MLPerf Training misst, wie schnell Hardware verschiedene KI-Modelle auf eine festgelegte Genauigkeit bringt1. NVIDIA gibt an, in v6.1 alle Benchmarks gewonnen zu haben.

Auch zur Skalierung legte NVIDIA Zahlen vor. Im Benchmark DeepSeek-V3 sei Vera Rubin NVL72 mit einer Effizienz von etwa 97 Prozent von 256 auf 1.024 GPUs skaliert, und mit viermal so vielen GPUs sei die Trainingszeit von 16 Minuten auf rund vier gesunken1. Denselben Benchmark ließ NVIDIA auf 10.240 GPUs in GB300-Systemen laufen, die größte Skalierung der Runde. Microsoft Azure zog mit 10.240 NVIDIA-GPUs in GB200-Systemen gleich1.

Nach Angaben von MLCommons reichten 24 Organisationen Ergebnisse ein, darunter AMD, Google, Dell, HPE, Oracle, CoreWeave und Crusoe, das erstmals teilnahm2. Zusammen meldeten sie 153 Systeme und 250 Testergebnisse. Cloud-Systeme machten 37 Prozent aus, nach 29 Prozent in v6.0, und ein Dutzend Einreichungen lief auf mindestens 1.000 Beschleunigern2. Die Hardware stammte von NVIDIA, AMD und Google. Googles TPUv7 (Ironwood) war ebenfalls erstmals dabei2.

Version 6.1 bringt zwei neue Benchmarks2. Der eine ist DLRMv4-HSTU, ein Empfehlungstest, der das bisherige DLRM-dcnv2 ablöst und mit dem Datensatz Yambda trainiert. Der andere ist Qwen3.5-397B, eine groß angelegte Aufgabe für das Nachtraining eines großen Sprachmodells2.

Zudem trat NVIDIA erstmals bei MLPerf Endpoints an. Die Werte für Kimi K3, ein großes offenes Modell für agentenartige Arbeitsabläufe, sind vorläufig. Laut NVIDIA steht die Prüfung durch die MLCommons Association noch aus, nach der Begutachtung durch Fachkollegen könnten sie sich noch ändern1.

Quellen

  1. 1
  2. 2
    MLPerf Training v6.1 Results: Record Participation

    UnabhängigMLCommonsAbgerufen

Das Redaktionssystem von ITANU hat diesen Artikel mit KI erstellt und an den oben genannten Quellen geprüft. So arbeiten wir

ITANU Magazin

Technik-Nachrichten, geprüft an ihren Quellen