Oossa

پیشتازی Vera Rubin انویدیا در همه آزمون‌های MLPerf

انویدیا می‌گوید پلتفرم جدیدش در همه آزمون‌های MLPerf Training v6.1 پیشتاز شده و در یک نتیجه موقتِ هوش مصنوعی عامل‌محور، بیش از ۱۰ برابر توان عملیاتی به‌ازای هر وات ارائه داده است.

نویسنده: منتشرشده توسط Oossa: 2 دقیقه مطالعه

تاریخ رویداد:

تصویرسازی Oossa

انویدیا می‌گوید پلتفرم Vera Rubin این شرکت در تازه‌ترین دور بنچمارک MLPerf Training، در همه آزمون‌ها پیشتاز شده است؛ آزمون‌هایی که مدل‌های زبانی، تولید تصویر، سامانه‌های پیشنهاددهنده و پس‌آموزشِ یادگیری تقویتی را دربرمی‌گیرند. نتایج که در ۱۶ نوامبر ۲۰۲۶ منتشر شدند، نخستین حضور Vera Rubin در این آزمون‌ها را رقم می‌زنند. به‌گفته انویدیا، این سامانه در هر GPU تا دو برابر عملکرد GB300 NVL72 ارائه داده است.

انویدیا می‌گوید در یکی از آزمون‌های آموزش، Vera Rubin با بهره‌وری حدود ۹۷ درصد از ۲۵۶ به ۱٬۰۲۴ GPU مقیاس‌پذیر شد. چهار برابر کردن تعداد GPUها، زمان آموزش گزارش‌شده را از ۱۶ دقیقه به حدود چهار دقیقه کاهش داد. انویدیا همچنین در همه بنچمارک‌های آموزشی این دور نتیجه ارائه کرد و می‌گوید تنها پلتفرمی بود که چنین کرد.

نتیجه هوش مصنوعی عامل‌محور چه چیزی را می‌سنجد؟

انویدیا همچنین برای نخستین بار نتیجه‌ای در MLPerf Endpoints ارائه کرد؛ بنچمارکی که سامانه‌های هوش مصنوعی را در کارهای کدنویسی و فرایندهای کاری کسب‌وکار می‌سنجد. این کارها چندمرحله‌ای‌اند و می‌توانند شامل استفاده از ابزارها و بررسی نتایج باشند. انویدیا در آزمون Kimi K3 گزارش کرده است که Vera Rubin NVL72، در مقایسه با GB300 NVL72، به‌ازای هر وات بیش از ۱۰ برابر توان عملیاتی داشته است؛ هر دو با حداقل مشترک ۵۰ توکن در ثانیه برای هر کاربر. توان عملیاتی به‌ازای هر وات نشان می‌دهد یک سامانه در برابر میزان مصرف برقش چه مقدار کار انجام می‌دهد.

این مقایسه از نظر تعداد سخت‌افزارها کاملاً هم‌تراز نیست: نتیجه Vera Rubin با ۳۲ شتاب‌دهنده به دست آمده، در حالی که نتیجه GB300 از ۴۸ شتاب‌دهنده استفاده کرده است. نتیجه Vera Rubin نیز موقت است و هنوز در انتظار راستی‌آزمایی و داوری همتا توسط MLCommons قرار دارد. ارقام گزارش‌شده، میانگین تعامل‌پذیری کاربر را برای Vera Rubin برابر با ۵۰٫۴ توکن در ثانیه و برای GB300 برابر با ۵۶٫۲ توکن در ثانیه اعلام می‌کنند.

نتیجه یک بنچمارک است، نه عرضه محصول

در آموزش‌های بزرگ‌مقیاس، افزودن GPU فقط زمانی کمک می‌کند که آن‌ها بتوانند به‌طور کارآمد با هم کار کنند. انویدیا به اتصالات NVLink درون سامانه‌ها و شبکه‌های InfiniBand و Ethernet میان سامانه‌ها به‌عنوان بخشی از سازوکار مقیاس‌دادن به بارهای کاری اشاره می‌کند. در این دور، اجرای DeepSeek-V3 با ۱۰٬۲۴۰ GPU روی سامانه‌های NVIDIA GB300 نیز انجام شد؛ Microsoft Azure هم اجرایی در همین مقیاس با سامانه‌های GB200 ارائه کرد.

بیست سازمان با استفاده از فناوری انویدیا در MLPerf Training نتیجه ثبت کردند. این بنچمارک‌ها راهی برای مقایسه عملکرد در کارهای تعریف‌شده فراهم می‌کنند، اما در این اعلامیه گفته نشده است سامانه‌های Vera Rubin چه زمانی در دسترس مشتریان قرار می‌گیرند یا قیمتشان چقدر خواهد بود.

چرا مهم است

برای پژوهشگران و شرکت‌هایی که مدل‌های هوش مصنوعی آموزش می‌دهند، نتیجه مقیاس‌پذیری گزارش‌شده نشان می‌دهد که یک سامانه بزرگ Vera Rubin، اگر GPUهایش به‌طور کارآمد با هم کار کنند، می‌تواند زمان یک اجرای آموزشی مشخص را کاهش دهد. بااین‌حال، مقایسه هوش مصنوعی عامل‌محور هنوز موقت است و انویدیا درباره زمان عرضه یا قیمت‌گذاری برای مشتریان اطلاعاتی نداده؛ بنابراین نتایج مشخص نمی‌کنند این سخت‌افزار چه زمانی و با چه هزینه‌ای در دسترس خواهد بود.

آیا این مقاله مفید بود؟
اشتراک‌گذاری

بیشتر بخوانید

Oossa · خبرنامه

هفتهٔ هوش مصنوعی، به زبان ساده

هر دوشنبه: خبرهایی که ارزش دانستن دارند، به زبان ساده. رایگان و بدون هرزنامه.