Tech Meridian ← К ЛЕНТЕ
PROМОЙ MERIDIAN EN

НОВОСТЬ · COMPANIES · #3674

NVIDIA Vera Rubin NVL72 показывает до 2× прироста в MLPerf Training v6.1 по сравнению с GB300 NVL72

В дебютном вхождении в MLPerf Training v6.1 платформа NVIDIA Vera Rubin NVL72 показала лучшее время обучения в шести из семи бенчмарков и достигла до ~2× прироста производительности на GPU по сравнению с оптимизированной GB300 NVL72; для крупнейшей задачи DeepSeek‑V3 671B Vera Rubin использовала 1 024 GPU за 4,14 минуты против 8,03 минуты у GB300 NVL72. NVIDIA при этом получила абсолютно лучшее время на DeepSeek‑V3 с кластером GB300 из 10 240 GPU (1,38 минуты); Vera Rubin сохранила >97% эффективности при масштабировании 256→1 024 GPU, прошла весь набор из семи тестов и показала лучшее время для нового RL post‑training бенчмарка Qwen 3.5 397B GRPO (10,44 против 13,78 минуты), представив результаты с двумя инференс‑бэкендами (TensorRT‑LLM и vLLM).

КЛЮЧЕВЫЕ ТЕЗИСЫ

  1. В дебютном вхождении в MLPerf Training v6.1 платформа NVIDIA Vera Rubin NVL72 показала лучшее время обучения в шести из семи бенчмарков и достигла до ~2× прироста производительности на GPU по сравнению с оптимизированной GB300 NVL72; для крупнейшей задачи DeepSeek‑V3 671B Vera Rubin использовала 1 024 GPU за 4,14 минуты против 8,03 минуты у GB300 NVL72.
  2. NVIDIA при этом получила абсолютно лучшее время на DeepSeek‑V3 с кластером GB300 из 10 240 GPU (1,38 минуты); Vera Rubin сохранила >97% эффективности при масштабировании 256→1 024 GPU, прошла весь набор из семи тестов и показала лучшее время для нового RL post‑training бенчмарка Qwen 3.5 397B GRPO (10,44 против 13,78 минуты), представив результаты с двумя инференс‑бэкендами (TensorRT‑LLM и vLLM).
  3. Более быстрая производительность на GPU и высокая эффективность масштабирования сокращают время экспериментов и ускоряют разработку крупных моделей и agentic RL‑воркфлоу, что указывает на значительный прирост аппаратного и программного уровня.

ПОЧЕМУ ЭТО ВАЖНО

Более быстрая производительность на GPU и высокая эффективность масштабирования сокращают время экспериментов и ускоряют разработку крупных моделей и agentic RL‑воркфлоу, что указывает на значительный прирост аппаратного и программного уровня.

ИСТОЧНИКИ И ХРОНОЛОГИЯ

1