同日,MLCommons公布MLPerf Training v6.1成绩:24家机构、153套系统,合计提交250项测试结果。强化学习后训练首次被纳入正式测试。英伟达Vera Rubin NVL72是唯一在全部基准类别都交了成绩的平台,范围覆盖大语言模型训练、图像生成、推荐系统以及强化学习后训练;对比GB300 NVL72,每GPU训练性能最高提升2倍。
两个数字:2倍与97%
英伟达官方博客给出的核心数据是:GPU数量相同时,Vera Rubin NVL72的每GPU训练性能最高可达到GB300 NVL72的两倍;DeepSeek-V3基准上,系统由256块GPU扩展到1,024块GPU,整体效率仍维持在约97%,训练时间从16分钟缩短到约4分钟。
97%的扩展效率,说明GPU数量翻4倍时,训练时间几乎按线性缩短。按英伟达的说法,机架内GPU互联靠NVLink,机架间通信由Quantum-X800 InfiniBand和Spectrum-X以太网承担,软件层与硬件层一起做优化,才有了这个结果。
本轮测试里,英伟达还展示了极端规模:GB300系统用10,240块GPU跑完全轮最大规模测试,微软Azure以同等规模10,240块GB200 GPU跟进。
云端首例:CoreWeave的多机架落地数据
CoreWeave交出了Vera Rubin的多机架生产成绩。256块Vera Rubin GPU跨多机架部署,在DeepSeek-V3 671B参数全量训练任务上用了17.65分钟,同等GPU数量下比GB200 NVL72快2.7倍。Llama 3.1 8B单机架测试(72块GPU)耗时7.16分钟,相比GB200基线的13.70分钟提升约1.9倍。互联方面,CoreWeave用的是Spectrum-X以太网AI互联结构,配合ConnectX-9超级网卡。
代理推理"10倍"数字背后有一条注脚
Vera Rubin首次出现在MLPerf Endpoints中:与GB300 NVL72相比,32块Vera Rubin加速器在Kimi K3代理工作负载上把吞吐量/瓦提升到10倍以上,响应速度相同的情况下功耗只有100.89千瓦,吞吐量达到41,414.2 token/秒。
英伟达官方博客注明,Kimi K3这项结果属于临时性数据,还要等MLCommons协会同行评审验证,审查过程中结果可能调整。
谷歌Ironwood与AMD:同一战场的另两支队伍
谷歌TPUv7(Ironwood)也在同轮完成首秀:8,192块Ironwood TPU在DeepSeek-V3基准上跑出1.70分钟,扩展效率保持在96%。谷歌还把代理强化学习编程任务首次纳入测试,640块Ironwood TPU用18.02分钟完成,代码生成与学习并行执行期间,芯片等待时间低于3%。
AMD MI355X与MI350X(CDNA 4架构)在FLUX.1图像生成基准上给出3.1倍的自代际提升——64块GPU配置下,训练时间从92.36分钟降到29.58分钟。
每个基准类别都有成绩可比的参与者只有英伟达一家,也就是说"全胜"有一部分来自竞争对手的选择性参赛。放到算力市场看,全覆盖说明平台的通用性已经到了能在所有主流训练任务上交卷的程度。
2027年算力基准线意味着什么
MLPerf v6.1是第一个把强化学习后训练纳入正式基准的版本,代表任务是Qwen3.5-397B GRPO。大模型训练正从"单次预训练"转向"持续后训练+强化学习对齐",算力需求的分布也随之从单一大批次训练,转向更频繁、规模更小的强化学习迭代。
扩展效率上的97%,加上CoreWeave给出的2.7倍,构成了2027年数据中心采购的量化锚点。英伟达在SC26超算大会上宣布了面向科学计算的Rubin HPC,搭载超过50,000个CUDA核心,预计2028年上市。
当跑分成为市场权力
数据中心采购谈判里,MLPerf是最常被引用的第三方数字来源之一。Vera Rubin在全覆盖条件下交出每GPU 2倍提升与97%扩展效率,这组数字会直接写进2027年云厂商和企业算力采购的技术规格书。
谷歌Ironwood的规模化性能同样不能忽视,AMD的代际提升也在加快。但就11月16日这份公开可查的基准数据来说,英伟达用Vera Rubin为"下一代GPU应该能做到什么"给了一个带数字的答案,而且这个答案走过了独立组织的评测流程。2027年的算力竞争里,这个数字会被反复引用。