Платформа NVIDIA Vera Rubin впервые приняла участие в тестах MLPerf и сразу продемонстрировала лучшие результаты по скорости работы в обучении моделей, дообучении и inference-задачах для ИИ-агентов, о чём заявила сама NVIDIA.
Компания обошла соперников во всех дисциплинах MLPerf Training v6.1. В номинации MLPerf Endpoints NVIDIA зафиксировала свыше чем десятикратное увеличение (относительно предыдущего поколения) эффективности пропускной способности на ватт для решений на базе ИИ-агентов. NVIDIA оказалась единственным участником, представившим результаты во всех тестах нынешнего раунда — от крупных языковых моделей и синтеза изображений до рекомендательных алгоритмов и дообучения с подкреплением.
При этом конфигурация Vera Rubin NVL72 показала до двукратного превосходства в производительности на каждый GPU относительно NVIDIA GB300 NVL72. NVIDIA также провела испытания на 10 240 GPU в составе систем GB300 — это наибольший масштаб в текущем раунде. А платформа Microsoft Azure выполнила тесты с использованием 10 240 GPU NVIDIA в системах GB200.
Источник изображений: NVIDIA
По итогам тестирования MLPerf Endpoints платформа NVIDIA Vera Rubin заняла первое место в сфере агентного вывода (agentic inference), продемонстрировав наивысшие результаты во всех бенчмарках, нацеленных на работу AI-агентов. Методика MLPerf Endpoints измеряет производительность систем в реальных условиях функционирования AI-агентов, параллельно оценивая, насколько эффективно и точно они достигают поставленных задач.
По предварительным данным для Kimi K3 — масштабной открытой модели, созданной специально для агентных рабочих процессов, — конфигурации VR200 NVL72 обеспечили более чем десятикратный перевес по пропускной способности на единицу затраченной энергии относительно GB300 NVL72 при одинаковой скорости отклика. Предварительные результаты системы Vera Rubin ожидают верификации со стороны ассоциации MLCommons.
Компания NVIDIA подчеркнула, что Vera Rubin также показывает высокие результаты в независимых тестах, включая SemiAnalysis AgentX и Artificial Analysis AgentPerf. Это служит подтверждением широкого потенциала инфраструктуры NVIDIA, которая способна результативно обслуживать разнообразные сценарии: от предобучения и дообучения моделей до агентных вычислений (agentic inference), а также справляться с задачами, напрямую не связанными с ИИ — к примеру, обеспечивать HPC.
Если вы обнаружили ошибку — выделите её мышью и нажмите CTRL+ENTER. | Можете написать лучше? Мы всегда открыты для новых авторов.
Похожие материалы:
- NVIDIA представила ускоритель Rubin HPC для моделирования и обработки данных в научных задачах с применением ИИ-агентов
- Встраиваемая система AAEON Boxer-8741AI построена на платформе NVIDIA Jetson T5000
- Малайзия проверит, не занималась ли реэкспортом ИИ-чипов в Китай компания, связанная с любовницей Хуанга
- Без CUDA никуда? Конкурентное преимущество NVIDIA в сфере ПО для ИИ постепенно исчезает
- AMD анонсировала ускорители Instinct MI450X с сокращённым объёмом памяти
Было интересно? Сообщите об этом Google, чтобы чаще видеть ссылки на наши новости и обзоры
Источник: