Oossa

NVIDIA führt MLPerf-Trainingsbenchmarks mit Vera Rubin an

Laut NVIDIA lag die neue Plattform in allen MLPerf-Training-v6.1-Tests vorn. Ein vorläufiges Ergebnis zu agentischer KI weist zudem mehr als die zehnfache Leistung pro Watt aus.

Von Von Oossa veröffentlicht: 2 Min. Lesezeit

Datum des Ereignisses:

Oossa-Illustration

Laut NVIDIA lag die Plattform Vera Rubin in der jüngsten MLPerf-Training-Runde in allen Benchmarks vorn. Die Tests umfassten Sprachmodelle, Bildgenerierung, Empfehlungssysteme und das Post-Training mit Reinforcement Learning. Die am 16. November 2026 veröffentlichten Ergebnisse markieren Vera Rubins Debüt in den Tests. NVIDIA zufolge erzielte das System pro GPU bis zu die doppelte Leistung seines Systems GB300 NVL72.

In einem Trainingstest ließ sich Vera Rubin laut NVIDIA mit einer Effizienz von rund 97% von 256 auf 1,024 GPUs skalieren. Die Vervierfachung der GPU-Zahl verkürzte die angegebene Trainingszeit von 16 Minuten auf etwa vier. NVIDIA reichte in dieser Runde außerdem Ergebnisse für sämtliche Trainingsbenchmarks ein; nach Angaben des Unternehmens war es die einzige Plattform, die das tat.

Was das Ergebnis zu agentischer KI misst

NVIDIA reichte außerdem erstmals Ergebnisse für MLPerf Endpoints ein. Der Benchmark testet KI-Systeme bei mehrstufigen Programmier- und Geschäftsabläufen, etwa beim Einsatz von Werkzeugen und der Überprüfung von Ergebnissen. In einem Kimi-K3-Test gibt NVIDIA für Vera Rubin NVL72 eine mehr als zehnmal höhere Leistung pro Watt als für GB300 NVL72 an. Dabei galt für beide Systeme ein Mindestwert von 50 Tokens pro Sekunde und Nutzer. Die Leistung pro Watt misst, wie viel Arbeit ein System im Verhältnis zu seinem Stromverbrauch erledigt.

Der Vergleich stellt nicht einfach dieselbe Anzahl an Beschleunigern gegenüber: Beim Vera-Rubin-Ergebnis kamen 32 Beschleuniger zum Einsatz, beim GB300-Ergebnis 48. Das Vera-Rubin-Ergebnis ist zudem vorläufig und muss noch von MLCommons verifiziert und begutachtet werden. Den veröffentlichten Zahlen zufolge lag die durchschnittliche Interaktivität bei 50.4 Tokens pro Sekunde für Vera Rubin und bei 56.2 für GB300.

Benchmark-Ergebnis, keine Produkteinführung

Bei großen Trainingsläufen bringt die Hinzunahme von GPUs nur dann etwas, wenn sie effizient zusammenarbeiten können. NVIDIA verweist auf die NVLink-Verbindungen innerhalb der Systeme sowie auf InfiniBand- und Ethernet-Netzwerke zwischen den Systemen, über die sich Arbeitslasten skalieren lassen. In der Runde gab es auch einen DeepSeek-V3-Lauf mit 10,240 GPUs auf NVIDIA-GB300-Systemen. Microsoft Azure reichte einen Lauf im selben Umfang mit GB200-Systemen ein.

Zwanzig Organisationen reichten MLPerf-Training-Ergebnisse mit NVIDIA-Technologie ein. Die Benchmarks ermöglichen Leistungsvergleiche bei festgelegten Aufgaben. Aus der Ankündigung geht jedoch nicht hervor, wann Vera-Rubin-Systeme für Kunden verfügbar sein werden oder was sie kosten.

Warum es wichtig ist

Für Forschende und Unternehmen, die KI-Modelle trainieren, deutet das gemeldete Skalierungsergebnis darauf hin, dass ein großes Vera-Rubin-System einen festgelegten Trainingslauf verkürzen könnte, wenn seine GPUs effizient zusammenarbeiten. Der Vergleich zu agentischer KI ist jedoch noch vorläufig. Außerdem hat NVIDIA weder Angaben zur Verfügbarkeit für Kunden noch zu Preisen gemacht. Die Ergebnisse zeigen daher nicht, wann oder zu welchen Kosten die Hardware genutzt werden kann.

War dieser Artikel hilfreich?
Teilen

Als Nächstes lesen

Oossa · Newsletter

Die KI-Woche, erklärt

Jeden Montag: die Nachrichten, die man kennen sollte – verständlich. Kostenlos, kein Spam.