NVIDIA는 최신 MLPerf Training 평가에서 언어 모델, 이미지 생성, 추천 시스템, 강화학습 후처리 등 모든 벤치마크에서 Vera Rubin 플랫폼이 1위를 차지했다고 밝혔다. 2026년 11월 16일 발표된 이번 결과는 Vera Rubin이 해당 평가에 처음 참여해 거둔 성과다. NVIDIA에 따르면 이 시스템의 GPU당 성능은 GB300 NVL72 시스템보다 최대 2배 높았다.
NVIDIA에 따르면 한 학습 테스트에서 Vera Rubin은 GPU 256개에서 1,024개로 규모를 늘리면서 약 97%의 효율을 기록했다. GPU 수를 4배로 늘리자 보고된 학습 시간이 16분에서 약 4분으로 줄었다. NVIDIA는 이번 평가의 모든 학습 벤치마크에 결과를 제출했으며, 자사 플랫폼만이 모든 항목에 참여했다고 밝혔다.
에이전틱 AI 테스트가 측정하는 것
NVIDIA는 코드 작성과 도구 사용, 결과 확인 등 여러 단계로 이뤄진 업무 흐름에서 AI 시스템을 평가하는 MLPerf Endpoints에도 처음으로 결과를 제출했다. Kimi K3 테스트에서 NVIDIA는 사용자당 최소 50 tokens per second라는 동일한 기준으로 측정했을 때 Vera Rubin NVL72의 와트당 처리량이 GB300 NVL72보다 10배 이상 높았다고 밝혔다. 와트당 처리량은 시스템이 소비 전력에 비해 얼마나 많은 작업을 수행하는지를 나타낸다.
다만 두 결과는 하드웨어 수를 동일하게 맞춰 비교한 것은 아니다. Vera Rubin 결과는 가속기 32개를 사용했고, GB300 결과는 48개를 사용했다. Vera Rubin 결과는 잠정치로, MLCommons의 검증과 동료 심사를 기다리고 있다. 보고된 평균 사용자 응답 속도는 Vera Rubin이 초당 50.4 tokens, GB300이 56.2 tokens였다.
제품 출시가 아닌 벤치마크 결과
대규모 학습 작업에서 GPU를 추가해도 서로 효율적으로 작업할 수 있어야 성능이 향상된다. NVIDIA는 시스템 내 NVLink 연결과 시스템 간 InfiniBand 및 Ethernet 네트워킹이 워크로드 확장에 기여한다고 설명했다. 이번 평가에는 NVIDIA GB300 시스템을 사용한 GPU 10,240개 규모의 DeepSeek-V3 실행 결과도 포함됐다. Microsoft Azure도 GB200 시스템으로 같은 규모의 결과를 제출했다.
20개 조직이 NVIDIA 기술을 사용한 MLPerf Training 결과를 제출했다. 벤치마크는 정해진 작업에서 성능을 비교할 수 있는 기준을 제공하지만, 이번 발표에는 Vera Rubin 시스템의 고객 공급 시기나 가격이 담기지 않았다.
왜 중요한가
AI 모델을 학습하는 연구자와 기업 입장에서, 보고된 확장 성능은 GPU가 효율적으로 협력할 경우 대규모 Vera Rubin 시스템이 정해진 학습 작업을 더 빨리 마칠 수 있음을 시사한다. 다만 에이전틱 AI 비교 결과는 아직 잠정치이며, NVIDIA는 고객 공급 시기나 가격을 공개하지 않았다. 따라서 실제로 언제, 얼마에 이 하드웨어를 사용할 수 있을지는 이번 결과만으로 알 수 없다.