NVIDIA afferma che la piattaforma Vera Rubin ha primeggiato in tutti i benchmark dell’ultimo ciclo di MLPerf Training, che comprende modelli linguistici, generazione di immagini, sistemi di raccomandazione e post-training con reinforcement learning. I risultati, pubblicati il 16 novembre 2026, segnano il debutto di Vera Rubin nei test. Secondo NVIDIA, il sistema ha raggiunto prestazioni per GPU fino al doppio rispetto al sistema GB300 NVL72.
In un test di training, Vera Rubin è passata da 256 a 1,024 GPU con un’efficienza di circa il 97%, secondo NVIDIA. Quadruplicando il numero di GPU, il tempo di training dichiarato è sceso da 16 minuti a circa quattro. NVIDIA ha inoltre presentato risultati in tutti i benchmark di training di questo ciclo; l’azienda afferma che è stata l’unica piattaforma a farlo.
Cosa misura il risultato sull’IA agentica
NVIDIA ha presentato anche per la prima volta risultati a MLPerf Endpoints, che valuta i sistemi di IA su attività di programmazione e flussi di lavoro aziendali articolati in più passaggi, come l’uso di strumenti e la verifica dei risultati. In un test con Kimi K3, NVIDIA dichiara per Vera Rubin NVL72 un throughput per watt oltre 10 volte superiore rispetto a GB300 NVL72, a un minimo comune di 50 token al secondo per utente. Il throughput per watt misura la quantità di lavoro svolta da un sistema in rapporto all’energia che consuma.
Il confronto non mette a paragone configurazioni hardware identiche: il risultato di Vera Rubin è stato ottenuto con 32 acceleratori, quello di GB300 con 48. Il risultato di Vera Rubin è inoltre preliminare e deve ancora essere verificato e sottoposto a revisione paritaria da MLCommons. I dati dichiarati indicano un’interattività media per utente di 50.4 token al secondo per Vera Rubin e 56.2 per GB300.
Un risultato di benchmark, non il lancio di un prodotto
Nei grandi carichi di training, aggiungere GPU è utile solo se queste riescono a lavorare insieme in modo efficiente. NVIDIA cita i collegamenti NVLink all’interno dei sistemi e le reti InfiniBand ed Ethernet tra sistemi tra gli elementi che permettono di aumentare la scala dei carichi di lavoro. Il ciclo ha incluso anche un’esecuzione di DeepSeek-V3 su 10,240 GPU con sistemi NVIDIA GB300; Microsoft Azure ha presentato un’esecuzione della stessa portata usando sistemi GB200.
Venti organizzazioni hanno presentato risultati a MLPerf Training utilizzando tecnologia NVIDIA. I benchmark consentono di confrontare le prestazioni su attività definite, ma l’annuncio non specifica quando i sistemi Vera Rubin saranno disponibili per i clienti né quanto costeranno.
Perché conta
Per i ricercatori e le aziende che addestrano modelli di IA, il risultato dichiarato in termini di scalabilità suggerisce che un grande sistema Vera Rubin potrebbe ridurre i tempi di un ciclo di training specifico, se le GPU lavorano insieme in modo efficiente. Il confronto sull’IA agentica è però ancora preliminare e NVIDIA non ha comunicato disponibilità per i clienti né prezzi: i risultati, quindi, non indicano quando o a quale costo sarà possibile utilizzare l’hardware.