NVIDIA sebut kecepatan pelatihan Vera Rubin per GPU mencapai dua kali lipat kecepatan GB300

Vera Rubin NVL72 untuk pertama kalinya mengikuti MLPerf Training v6.1. MLCommons selaku penyelenggara mengonfirmasi bahwa putaran ini merupakan yang pertama bagi GPU NVIDIA generasi Rubin.

Angka dalam kurung siku merujuk ke sumber yang tercantum di bawah.

Papan putih dengan logo hijau Nvidia dan alamat jalan berdiri di antara pepohonan dan semak.
Foto arsip: Papan nama Nvidia di kompleks kantor pusatnya di Santa Clara, 2020.Foto: Will Buckner / Wikimedia CommonsCC BY 2.0Sumber

Sistem Vera Rubin NVL72 milik NVIDIA mencatat hasil pertamanya di MLPerf Training pada 16 November 2026. Menurut NVIDIA, kinerja per GPU sistem ini mencapai hingga 2 kali lipat kinerja per GPU sistem GB300 NVL72[1NVIDIA BlogNVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceBuka sumberSumber [1]]. MLCommons, penyelenggara pengujian tersebut, menyatakan bahwa v6.1 merupakan putaran pertama yang menyertakan GPU NVIDIA generasi Rubin[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]].

MLPerf Training mengukur waktu yang dibutuhkan perangkat keras untuk melatih berbagai model kecerdasan buatan (AI) hingga mencapai tingkat akurasi yang ditetapkan[1NVIDIA BlogNVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceBuka sumberSumber [1]]. NVIDIA menyatakan pihaknya meraih hasil terbaik dalam setiap pengujian pada v6.1.

NVIDIA juga melaporkan hasil pengujian saat jumlah GPU ditambah. Menurut perusahaan itu, pada pengujian DeepSeek-V3, Vera Rubin NVL72 mencapai efisiensi sekitar 97 persen saat jumlah GPU naik dari 256 menjadi 1.024. Dengan jumlah GPU empat kali lipat, waktu pelatihan turun dari 16 menit menjadi sekitar empat menit[1NVIDIA BlogNVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceBuka sumberSumber [1]]. NVIDIA menjalankan pengujian yang sama dengan 10.240 GPU pada sistem GB300, skala terbesar dalam putaran ini. Microsoft Azure menyamai skala itu dengan 10.240 GPU NVIDIA pada sistem GB200[1NVIDIA BlogNVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceBuka sumberSumber [1]].

Menurut MLCommons, 24 organisasi mengirimkan hasil pengujian, termasuk AMD, Google, Dell, HPE, Oracle, CoreWeave, dan Crusoe yang baru pertama kali ikut serta[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]]. Para peserta mengikutsertakan 153 sistem dan menghasilkan 250 hasil pengujian. Porsi sistem berbasis komputasi awan mencapai 37 persen, naik dari 29 persen pada v6.0. Sebanyak selusin sistem menggunakan sedikitnya 1.000 akselerator[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]]. NVIDIA, AMD, dan Google memasok perangkat keras untuk putaran ini. TPUv7 (Ironwood) milik Google juga untuk pertama kalinya mengikuti pengujian[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]].

Versi 6.1 menambahkan dua pengujian baru[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]]. Pengujian pertama, DLRMv4-HSTU, menguji sistem rekomendasi dengan menggunakan himpunan data Yambda untuk pelatihan. Pengujian ini menggantikan DLRM-dcnv2. Pengujian lainnya, Qwen3.5-397B, menggunakan beban kerja berskala besar untuk tahap pascapelatihan model bahasa besar[2MLCommonsMLPerf Training v6.1 Results: Record ParticipationBuka sumberSumber [2]].

NVIDIA juga untuk pertama kalinya mengikuti MLPerf Endpoints. Hasil pengujian Kimi K3, model terbuka berukuran besar yang dirancang untuk alur kerja berbasis agen, masih bersifat sementara. Menurut NVIDIA, hasil tersebut masih menunggu verifikasi MLCommons Association dan dapat berubah setelah telaah sejawat[1NVIDIA BlogNVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceBuka sumberSumber [1]].

Sumber

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

    IndependenMLCommonsDiakses

Sistem redaksi ITANU menyusun artikel ini dengan AI dan memeriksanya terhadap sumber yang tercantum di atas. Cara kami bekerja

ITANU Magazine

Berita AI, komputasi, dan sains