
英伟达Vera Rubin NVL72在MLPerf训练v6.1中亮相,性能达Blackwell Ultra两倍
来源标题:Vera Rubin NVL72: 2x Blackwell Ultra Performance in MLPerf Training v6.1
英伟达Vera Rubin NVL72首次参加MLPerf Training v6.1,在七项基准测试中的六项取得最快训练时间,单GPU性能最高达优化版GB300 NVL72的2倍。在DeepSeek-V3 671B测试中,其用1024块GPU在4.14分钟内完成训练,耗时约为GB300 NVL72同期8.03分钟的一半。该平台在Qwen 3.5 397B GRPO强化学习后训练基准中也以10.44分钟领先。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
AI 生成的摘要 NVIDIA Vera Rubin NVL72 在 MLPerf Training v6.1 中首次亮相,在七项基准测试中的六项上取得了最快的训练时间,相比经过优化的 GB300 NVL72 基线,每 GPU 性能最高提升 2 倍。 在 DeepSeek-V3 671B 混合专家(MoE)基准测试中,Vera Rubin NVL72 使用 1,024 块 GPU 在 4.14 分钟内完成了模型训练,将 GB300 NVL72 在相同规模下 8.03 分钟的成绩缩短了一半。 Vera Rubin NVL72 还在新增的 Qwen 3.5 397B GRPO 强化学习后训练基准测试中领先,在 1,024 块 GPU 上取得 10.44 分钟的成绩,并同时提交了基于 TensorRT-LLM 和 vLLM 推理后端的成绩,展现出软件成熟度。 在 DeepSeek-V3 上从 256 块 GPU 扩展到 1,024 块 GPU 时,该平台保持了 97% 以上的扩展效率,这得益于每 GPU 提供 3.6 TB/s 带宽的铜缆 NVLink 6 骨干,以及通过 Quantum-X800 InfiniBand 或 Spectrum-X Ethernet 连接的 ConnectX-9 SuperNIC。 使用更新软件栈进行的未验证复跑进一步缩短了 Vera Rubin NVL72 在 Llama 3.1 8B、gpt-oss 20B 和 DLRMv4 上的训练时间,表明硬件交付后的持续优化能力。 封闭组提交中有 80% 运行在 NVIDIA 平台上,覆盖 20 家合作伙伴组织,Vera Rubin NVL72 系统已通过全球云基础设施合作伙伴全面上市。 后续步骤 了解 NVIDIA Vera Rubin NVL72 平台在 AI 训练和推理方面的更多信息。 查看完整的 MLPerf Training v6.1 结果以获取详细基准数据。 阅读 MLPerf Endpoints v1.0 博客,了解 Vera Rubin 如何在智能体推理中领先。 由 NVIDIA Nemotron 提供支持。AI 生成的内容可能不完整地概括信息。请核实重要信息。了解更多 随着 AI 智能体处理日益复杂的工作流,缩短训练时间对于快速迭代模型及其驱动的智能体至关重要。MLPerf Training v6.1 标志着 NVIDIA Vera Rubin 架构的首次亮相,这些早期结果表明其 CUDA 软件栈已经高度成熟。首次登场时,Vera Rubin NVL72 平台在七项基准测试中的六项上取得了最快的训练时间,相比经过高度优化的 NVIDIA GB300 NVL72 基线,性能最高提升 2 倍。 对于第七项基准测试 DeepSeek-V3 671B,NVIDIA 通过在 10,240 块 GPU 的 GB300 NVL72 集群上展示大规模扩展能力,取得了本轮绝对最快的时间。这种双平台策略有意展示了两套系统各自的优势。GB300 的结果凸显了 NVIDIA 当前正在部署的大规模、可靠集群能力,而 Vera Rubin 则通过从 256 块 GPU 扩展到 1,024 块 GPU 时保持 97% 以上的整体效率,展示了其卓越的扩展架构。综合来看,NVIDIA 平台在 v6.1 的每一项基准测试中都保持着最快训练时间。 NVIDIA 平台也是唯一在所有七项基准测试中都提交结果的平台,Vera Rubin 在首次运行中便成功完成了全套测试。对于开发者而言,这种广度与任何单项最高数字同样重要。它证明了首日继承的性能提升覆盖了整个建模流程,全面支持从大规模预训练到现代 AI 智能体所需的强化学习后训练。 解读本轮结果最简单的方式是逐项基准来看:新平台在相同模型上每 GPU 能带来多少性能提升? MLPerfTraining v6.1 结果于 2026 年 11 月 16 日从 www.mlcommons.org 检索,条目包括:6.1-0116、6.1-0030、6.1-0135、6.1-0020、6.1-0049、6.1-0123、6.1-0138、6.1-0073、6.1-0124、6.1-0129 和 6.1-0038。MLPerf 名称和标识是 MLCommons Association 在美国和其他国家的商标。保留所有权利。严禁未经授权使用。更多信息请参见 www.mlcommons.org。 图 1. 在全部七项 MLPerf Training v6.1 基准测试中,Vera Rubin NVL72 在相同 GPU 数量下相对于 GB300 NVL72 的性能表现 MLPerfTraining v6.1 结果于 2026 年 11 月 16 日从 www.mlcommons.org 检索,条目包括:6.1-0116、6.1-0030、6.1-0135、6.1-0020、6.1-0049、6.1-0123、6.1-0138、6.1-0073、6.1-0124、6.1-0129 和 6.1-0038。MLPerf 名称和标识是 MLCommons Association 在美国和其他国家的商标。保留所有权利。严禁未经授权使用。更多信息请参见 www.mlcommons.org。 规律很清晰。最大的提升落在最大、通信最密集的模型上。虽然该平台在其余测试中稳定保持 1.4 倍到 1.6 倍的加速,但在庞大的 DeepSeek-V3 基准测试上,代际优势进一步扩大。 该测试套件涵盖自然语言、图像生成、推荐和强化学习,因此性能提升不仅跨多种模态,也跨不同模型形态和架构。 DeepSeek-V3 671B 是一个 6710 亿参数的无 token 丢弃混合专家(MoE)模型,也是套件中要求最高的工作负载。专家并行使每次迭代都变成一波全对全通信,因此互连架构的效率直接体现在训练时间上。 Vera Rubin NVL72 使用横跨 16 个机架的 1,024 块 GPU,在 4.14 分钟内完成了该基准测试的训练。GB300 NVL72 在完全相同的 1,024 块 GPU 配置下耗时 8.03 分钟,每 GPU 性能接近 2 倍,是本轮最大的代际提升。训练时间减半大致意味着团队每季度可以运行的实验数量翻倍,而实验吞吐量正是推动模型质量提升的关键。 在更大规模下,GB300 NVL72 取得了本轮最快的绝对结果:横跨 10,240 块 GPU,耗时 1.38 分钟。这是一个训练任务分布在 160 个机架上,每个机架都是独立的 NVLink 域,表明该平台的横向扩展互连在任务规模远超单个机架后仍能保持稳定。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。