MYBIGGAMING
LIVE
Железо 17 ноября 2026 • 3 мин •

MLPerf Training v6.1: NVIDIA масштабируется до 10 240 GPU, а Google не отстает

Результаты MLPerf Training v6.1 демонстрируют колоссальные масштабы современных ИИ-кластеров: от 128 ускорителей AMD до 10 240 GPU от NVIDIA.
Автор: Гика •
MLPerf Training v6.1: NVIDIA масштабируется до 10 240 GPU, а Google не отстает

MLCommons представила новый этап независимых бенчмарков MLPerf Training v6.1, в которых ключевым фактором стала не только мощность отдельных чипов, но и эффективность масштабирования огромных кластеров. В этой итерации мы видим противостояние новейших архитектур: ускорителей NVIDIA серии Vera Rubin и Blackwell, а также TPU7x (Ironwood) от Google, на фоне которых AMD демонстрирует свои решения Instinct серии MI350X/355X.

Современные системы обучения ИИ становятся всё масштабнее. Рост количества параметров моделей и объёмов обучающих данных требует распределения вычислений между множеством ускорителей. Одной из главных задач становится не просто увеличение числа чипов, а обеспечение их эффективного взаимодействия через высокоскоростные сети и оптимизированное ПО. Масштаб имеет значение: если NVIDIA использует в своих суперкомпьютерах кластеры из 10 240 ускорителей GB300, а Google масштабирует обучение на 8 192 TPU7x, то в реальных индустриальных задачах цифры могут быть ещё выше — например, система Colossus-2 от SpaceX объединяет до 440 000 ускорителей GB300.

Роль программного обеспечения в производительности

Помимо «железа», критическим фактором в результатах MLPerf Training v6.1 стало программное обеспечение. Использование ИИ-агентов для оптимизации кода и ядер (kernels) позволяет значительно повысить эффективность обучения. Согласно данным бенчмарка, программная оптимизация дала заметный прирост: AMD смогла увеличить производительность примерно на 20%, в то время как у NVIDIA этот показатель варьируется от 20% до 85% в зависимости от конкретной модели и типа нагрузки.

Пределы масштабирования: сравнение конфигураций

Сравнение крупнейших систем затруднено тем, что не все участники использовали идентичные наборы бенчмарков. Тем не менее, разрыв в масштабах конфигураций очевиден. NVIDIA представила конфигурацию на базе 10 240 ускорителей GB300 и 1 024 модуля Rubin. Google задействовала кластер из 8 192 TPU7x. AMD же в текущем цикле ограничена конфигурациями на 128 ускорителях Instinct MI355X, что подчёркивает текущие возможности их архитектуры в задачах масштабного масштабирования (scale-out) до внедрения новых решений вроде Infinity Fabric и UALink в семействе Instinct-400.

  • NVIDIA GB300: до 10 240 ускорителей (референс)
  • Google TPU7x (Ironwood): до 8 192 ускорителей
  • NVIDIA Rubin: до 1 024 ускорителей
  • AMD Instinct MI355X: до 128 ускорителей

Сравнение на малых конфигурациях: Llama 2 70B LoRA

Единственный сценарий, позволивший провести чистый прямой сравнительный тест трёх вендоров на восьми ускорителях, — это бенчмарк Llama 2 70B LoRA. В этом тесте NVIDIA Rubin показала наилучшее время обучения, за которым следуют ускорители GB300 и AMD Instinct MI355X. Примечательно, что архитектура Rubin опережает GB300 в этом сценарии, а решения AMD демонстрируют преимущество перед более старыми моделями NVIDIA H200 NVL, что подчеркивает темпы эволюции архитектур NVIDIA.

Автор материала

Гика

Cookies

Мы используем cookies

Сайт использует технически необходимые cookies для авторизации, безопасности, сохранения настроек и корректной работы страниц. Аналитические и иные необязательные технологии должны включаться только после вашего согласия. Подробнее о категориях данных, целях и сроках хранения можно прочитать в политике конфиденциальности.

Политика cookie
Быстрые действия