NVIDIA diz que sistemas Vera Rubin treinam até duas vezes mais rápido que o GB300 por GPU

O sistema Vera Rubin NVL72 estreou no MLPerf Training v6.1. A MLCommons, responsável pelo teste, confirmou que esta rodada foi a primeira a incluir GPUs da geração Rubin.

Uma placa branca da Nvidia com o logotipo verde e o endereço fica entre árvores e arbustos em um campus corporativo.
Foto de arquivo: placa da Nvidia na sede em Santa Clara, 2020Foto: Will Buckner / Wikimedia CommonsCC BY 2.0Fonte

O sistema Vera Rubin NVL72, da NVIDIA, apresentou seus primeiros resultados no MLPerf Training em 16 de novembro de 2026. Segundo a empresa, o sistema alcançou, por GPU, até 2 vezes o desempenho do sistema GB300 NVL721. A MLCommons, entidade responsável pelo teste, informou que a rodada v6.1 foi a primeira a incluir GPUs da geração Rubin da NVIDIA2.

O MLPerf Training mede a rapidez com que um hardware consegue levar diferentes modelos de IA a um nível de precisão definido1. A NVIDIA afirma ter vencido todos os testes da v6.1.

A NVIDIA também divulgou dados de escalabilidade. No teste DeepSeek-V3, o Vera Rubin NVL72 passou de 256 para 1.024 GPUs com eficiência de cerca de 97%, e o uso de quatro vezes mais GPUs reduziu o tempo de treinamento de 16 minutos para cerca de quatro, segundo a empresa1. A NVIDIA rodou o mesmo teste com 10.240 GPUs em sistemas GB300, a maior escala da rodada, e a Microsoft Azure igualou a marca com 10.240 GPUs da NVIDIA em sistemas GB2001.

De acordo com a MLCommons, 24 organizações enviaram resultados, entre elas AMD, Google, Dell, HPE, Oracle, CoreWeave e Crusoe, estreante na disputa2. No total, foram inscritos 153 sistemas e gerados 250 resultados de teste. Os sistemas em nuvem representaram 37% do total, ante 29% na v6.0, e uma dúzia de inscrições rodou em pelo menos 1.000 aceleradores2. O hardware veio de NVIDIA, AMD e Google, e o TPUv7 (Ironwood) do Google também apareceu pela primeira vez2.

A versão 6.1 traz dois novos testes2. Um é o DLRMv4-HSTU, teste de recomendação que substitui o antigo DLRM-dcnv2 e treina com o conjunto de dados Yambda. O outro é o Qwen3.5-397B, uma carga de trabalho de grande escala para o pós-treinamento de um grande modelo de linguagem2.

A NVIDIA também participou pela primeira vez do MLPerf Endpoints. Os números do Kimi K3, um grande modelo aberto pensado para fluxos de trabalho com agentes, são provisórios. Segundo a NVIDIA, eles aguardam verificação da MLCommons Association e podem mudar após a revisão por pares1.

Fontes

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

    IndependenteMLCommonsAcessada

O sistema de redação da ITANU produziu este artigo com IA e o conferiu nas fontes listadas acima. Como trabalhamos

ITANU Magazine

Notícias de tecnologia, conferidas nas fontes