科技与人工智能报道。

芯片与算力 · 本站报道

Vera Rubin 首次交卷 MLPerf,有一项仍待核验

NVIDIA 在 11 月 16 日称 Vera Rubin 拿下本轮全部 MLPerf Training v6.1 项目,并在新的 MLPerf Endpoints 里给出智能体推理的能效结果。训练数字来自已公布的提交;Kimi K3 那组对比,公司写明 Vera Rubin 一侧还在等待 MLCommons 核验。

发布时间 2026/11/17 12:00(上海)

科技数码芯片与算力

发生了什么

NVIDIA 博客作者 Shruti Koparkar 在 2026 年 11 月 16 日发表文章,称 Vera Rubin 平台第一次出现在 MLPerf 结果里,并在训练、后训练和智能体推理上处于领先。订阅源时间是当天 16:00:25 UTC。文章同时指向 MLPerf Training 和 MLPerf Endpoints 的技术博客,本篇只依据这篇总览,没有再把技术博客的图表逐张改写。

同一天 NVIDIA 还发了 Rubin HPC 的产品公告。那是另一件事:一款预计 2028 年供货的科学计算 GPU。本篇只谈已经交到 MLPerf 的性能结果。

来源能够对上的细节

训练部分,NVIDIA 称自己是本轮唯一在每一个 MLPerf Training v6.1 基准上都有结果的平台,覆盖大语言模型、图像生成、推荐系统和强化学习后训练。Vera Rubin NVL72 相对已经高度优化的 GB300 NVL72,每 GPU 性能最多到 2 倍。文章说这是早期结果。

规模效率写了一组可以核对的过程:在 DeepSeek-V3 基准上,Vera Rubin NVL72 从 256 块 GPU 加到 1,024 块,效率大约 97%,训练时间从 16 分钟降到大约 4 分钟。NVIDIA 还用 GB300 跑到 10,240 块 GPU,称这是本轮最大规模;Microsoft Azure 用 GB200 也达到同样的 10,240 块。文章把规模效率归因于机内的 NVLink,以及机柜之间的 Quantum-X800 InfiniBand 和 Spectrum-X 以太网。

训练结果的检索日期写的是 2026 年 11 月 16 日,来源是 www.mlcommons.org。文中列出的提交编号包括 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。本站没有逐个打开这些编号。

Endpoints 是这轮新开的、面向智能体编码和企业流程的测试,并且检查任务是否真的做完。NVIDIA 称 Vera Rubin 在其智能体项目上领先,并给出一个 Kimi K3 的临时结果:在相同的响应速度前提下,Vera Rubin NVL72 的每瓦吞吐超过 GB300 NVL72 的 10 倍。

文章脚注里的具体跑分是:

  • Vera Rubin NVL72,32 个加速器,结果编号 1.0.1.kimi-k3.agentic_combined.1p,第 9 次运行:并发 1,024,TTFT P90 为 4,673.9 毫秒,系统每秒 41,414.2 token,每用户平均 50.4 token/秒,功耗 100.89 千瓦。
  • GB300 NVL72,48 个加速器,结果编号 1.0.0.kimi-k3.agentic_combined.1,第 6 次运行:并发 48,TTFT P90 为 2,305.1 毫秒,系统每秒 2,210.4 token,每用户平均 56.2 token/秒,功耗 60 千瓦。

对比方法写明是:在每用户至少 50 token/秒的前提下比较每千瓦吞吐。检索日期是 2026 年 11 月 9 日,网站是 endpoints.mlcommons.org。GB300 结果已由 MLCommons 核验。Vera Rubin 这一侧注明为 provisional,尚待 MLCommons 核验,同行评审后可能变化。

参与训练提交的机构,文章说有 20 家,随后点名 ASUS、Azure、Cisco、CoreWeave、Crusoe、Dell Technologies、Firmus、Giga Computing、Google Cloud、HPE、Inventec、Krai、Lambda、Nebius、Oracle、Quanta Cloud Technology(QCT)、Supermicro、TTA 和佛罗里达大学。点名的是 19 个。本站不猜测没写出来的那一家是谁。

文章还提到 SemiAnalysis AgentX 和 Artificial Analysis AgentPerf,但没有在这篇总览里给出可逐项核对的分数,所以这里不转写具体名次。

背景

MLPerf 由 MLCommons 组织,厂商把系统配置和成绩交上去,再按公开规则比较。它解决的是“各说各话”的一部分问题,但提交者仍然选择跑哪些项目、用多少芯片、以及是否接受某一次结果进入正式表。新平台的第一次交卷,经常带有“还会靠软件再涨”的说明。NVIDIA 这篇文章也这么写了:CUDA 软件栈会继续优化,今天买的机器以后还会变快。

Endpoints 和 Training 不是同一个问题。训练看的是把模型训到目标精度要多久;Endpoints 看的是代理在编码和企业流程里,于一定响应速度下能吐出多少 token,以及任务有没有做完。把两者都叫“领先”,中间仍要看规则和是否已核验。

编辑分析

以下是本站的判断,不是 NVIDIA 的结论。

训练侧“每个项目都有结果”这件事,比单次倍数更值得记。缺项的平台无法在同一张表上被完整比较。2 倍这个数字带了“最多”,对象又是 NVIDIA 自己上一代 NVL72,所以它说明的是代际,不是对所有非 NVIDIA 系统的横评。

Endpoints 的 10 倍不能直接当成已经盖章的世界纪录。公司白纸黑字写了 Vera Rubin 那条是临时结果。两边的并发差了二十多倍(1,024 对 48),加速器数量是 32 对 48,功耗是 100.89 千瓦对 60 千瓦。每千瓦吞吐可以把这些差异折进去,但读的人必须连折算条件一起读。在 MLCommons 把 provisional 改成已核验之前,本站只把它当成 NVIDIA 提交的、尚未终审的对比。

97% 的扩展效率是这篇文章里较干净的一句:GPU 数量变成 4 倍,时间大约变成四分之一。若后续官方表和这句话不一致,以 MLCommons 表为准。

本站没有写成事实的部分

本站没有在 mlcommons.org 上逐条打开提交编号,没有复现 Kimi K3 的跑分,也没有把“扫完全部项目”理解成不存在其他厂商的单项好成绩。SC26 当周还有多篇 NVIDIA 文章,那些不在本篇引用范围内。


书目

原始链接

链接上的文字是来源自己的标题,便于核对。它不是本站的译文,也不单独构成一条新闻。

  1. NVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading Performance
    NVIDIA · 编辑部阅读过的原文