Oossa

NVIDIA toppar samtliga MLPerf Training-tester med Vera Rubin

NVIDIA uppger att den nya plattformen ledde i alla MLPerf Training v6.1-tester och gav över 10 gånger högre genomströmning per watt i ett preliminärt resultat för agentbaserad AI.

Av Publicerad av Oossa: 2 min läsning

Händelsedatum:

Oossa-illustration

NVIDIA uppger att plattformen Vera Rubin toppade samtliga tester i den senaste MLPerf Training-omgången, som omfattade språkmodeller, bildgenerering, rekommendationssystem och efterträning med förstärkningsinlärning. Resultaten publicerades den 16 november 2026 och är Vera Rubins debut i testerna. NVIDIA säger att systemet levererade upp till dubbelt så hög prestanda per GPU som företagets GB300 NVL72-system.

I ett träningstest skalade Vera Rubin från 256 till 1 024 GPU:er med en effektivitet på omkring 97 %, enligt NVIDIA. När antalet GPU:er fyrdubblades sjönk den rapporterade träningstiden från 16 minuter till omkring fyra. NVIDIA lämnade också in resultat för samtliga träningstester i den här omgången; företaget uppger att det var den enda plattformen som gjorde det.

Vad resultatet för agentbaserad AI mäter

NVIDIA lämnade också för första gången in resultat till MLPerf Endpoints, som testar AI-system i kodnings- och affärsflöden med flera steg, till exempel när systemet använder verktyg och kontrollerar resultat. I ett Kimi K3-test rapporterar NVIDIA att Vera Rubin NVL72 hade över 10 gånger högre genomströmning per watt än GB300 NVL72, vid ett gemensamt minimikrav på 50 tokens per sekund och användare. Genomströmning per watt mäter hur mycket arbete ett system utför i förhållande till sin strömförbrukning.

Jämförelsen är inte en helt direkt jämförelse av hårdvara: Vera Rubin-resultatet bygger på 32 acceleratorer, medan GB300-resultatet bygger på 48. Resultatet för Vera Rubin är också preliminärt och väntar fortfarande på verifiering och kollegial granskning av MLCommons. De rapporterade siffrorna anger en genomsnittlig interaktivitet på 50,4 tokens per sekund för Vera Rubin och 56,2 för GB300.

Ett testresultat, inte en produktlansering

Vid stora träningskörningar hjälper det bara att lägga till GPU:er om de kan arbeta effektivt tillsammans. NVIDIA pekar på företagets NVLink-anslutningar inom systemen och InfiniBand- och Ethernet-nätverk mellan systemen som en del av hur det skalar arbetsbelastningar. I omgången ingick också en körning av DeepSeek-V3 med 10 240 GPU:er i NVIDIA GB300-system; Microsoft Azure lämnade in en körning i samma skala med GB200-system.

Tjugo organisationer lämnade in MLPerf Training-resultat med NVIDIA-teknik. Testerna gör det möjligt att jämföra prestanda för definierade uppgifter, men i tillkännagivandet anges inte när Vera Rubin-system blir tillgängliga för kunder eller vad de kommer att kosta.

Varför det spelar roll

För forskare och företag som tränar AI-modeller tyder det rapporterade skalningsresultatet på att ett stort Vera Rubin-system kan förkorta en definierad träningskörning när GPU:erna arbetar effektivt tillsammans. Jämförelsen för agentbaserad AI är dock fortfarande preliminär, och NVIDIA har inte lämnat uppgifter om tillgänglighet eller pris för kunder. Resultaten visar därför inte när eller till vilken kostnad hårdvaran kan användas.

Var den här artikeln användbar?
Dela

Läs vidare

Oossa · Nyhetsbrev

Veckans AI, förklarad

Varje måndag: nyheterna som är värda att känna till, på enkel svenska. Gratis, ingen spam.