NVIDIA Vera Rubin 在 MLPerf 首秀中带来最高 2 倍训练性能,标志着 AI 基础设施进入新阶段

English

NVIDIA 的 Vera Rubin NVL72 平台于 2026 年 11 月 16 日在 MLPerf Training v6.1 中首次亮相,在部分选定工作负载上实现了最高达该公司优化版 GB300 NVL72 系统每 GPU 性能两倍的表现。结果还凸显出,随着 AI 基础设施超越传统聊天机器人应用,强化学习、大规模模型训练和高能效智能体推理正日益重要。

AI 生成的 AI 数据中心与高性能计算概念图

新架构加入 AI 性能竞赛

NVIDIA 发布了其最新的 MLPerf 基准测试结果,初步展示了其 Vera Rubin 架构可能如何重塑大规模人工智能的经济性。

这些结果于 11 月 16 日公布,显示 Vera Rubin NVL72 在 MLPerf Training v6.1 的七项工作负载中,有六项实现了最快训练时间。

在整个基准测试套件中,NVIDIA 平台录得最快训练时间,其中该公司现有的 GB300 NVL72 系统在最大规模的 DeepSeek-V3 训练配置上保持了绝对性能纪录。

这一区别很重要。Vera Rubin 展示了显著的每 GPU 效率提升,而 GB300 则继续展示在超大规模集群下运行的优势。

对 AI 开发者而言,这两个维度都很重要:单个加速器能提供多少有效计算,以及数千个加速器能多有效地协同工作。

DeepSeek-V3 基准测试揭示最大代际提升

最值得注意的结果之一来自 DeepSeek-V3 6710 亿参数训练基准测试。

使用 1,024 块 GPU 时,Vera Rubin NVL72 约 4.14 分钟完成该工作负载,而在相同 GPU 数量下,GB300 NVL72 为 8.03 分钟。

这意味着每 GPU 性能提升至接近两倍。

这一优势尤其重要,因为混合专家模型需要在计算设备之间进行密集通信。

在训练过程中,不同的专家组件必须快速交换信息。由此产生的通信需求即使单个处理器性能强大,也可能限制性能。

Vera Rubin 的结果表明,系统架构、互连和软件优化方面的改进正变得与原始计算能力同等重要。

NVIDIA 还报告称,将 DeepSeek-V3 训练配置从 256 块 GPU 扩展到 1,024 块 GPU 时,扩展效率约为 97%。

同时,其 GB300 NVL72 平台使用 10,240 块 GPU 在约 1.38 分钟内完成了同一基准测试,展示了更大规模集群的优势。

这些是针对特定基准的测量结果,并非声称所有 AI 训练工作负载都会以两倍速度运行。

强化学习成为基础设施优先事项

MLPerf Training v6.1 中一项尤其重要的发展是引入了智能体强化学习后训练基准。

传统大语言模型训练主要侧重于从海量数据集中学习。

然而,开发者正越来越多地构建必须调用工具、与环境交互、评估中间结果并通过反馈改进的 AI 系统。

这些工作流需要结合推理、模拟和反复的模型更新。

NVIDIA 报告称,Vera Rubin 使用 1,024 块 GPU 在约 10.44 分钟内完成了 Qwen 3.5 397B GRPO 强化学习基准测试,而相同规模下 GB300 NVL72 为 13.78 分钟。

这一结果说明了 AI 基础设施需求正在如何变化。

一个编写软件、开展科学研究或管理业务流程的 AI 智能体,在完成任务前可能会生成并评估许多中间步骤。

因此,基础设施效率不再能仅通过生成单个 token 的速度来衡量。

开发者日益需要考量完成一项可靠任务所需的完整计算成本。

从更快训练到更高效的 AI 智能体

NVIDIA 还强调了 MLPerf Endpoints 的结果,该基准聚焦智能体 AI 工作负载。

在一项暂定的 Kimi K3 智能体工作负载比较中,Vera Rubin NVL72 在所述基准条件下达到了 GB300 NVL72 每瓦吞吐量的十倍以上。

与经过验证的 MLPerf Training 结果不同,这项 Vera Rubin Endpoints 结果属于暂定结果,尚待独立验证。

该比较还涉及特定硬件配置和响应速度要求,因此不应被解读为 AI 推理成本普遍降低十倍。

尽管如此,这一指标指向了一个日益重要的行业优先事项。

随着 AI 智能体能力增强,它们可能为完成单个用户请求而执行数十次或数百次模型交互。

因此,AI 基础设施的商业价值不仅取决于模型响应速度,还取决于数据中心在其电力和运营约束内能完成多少有用任务。

AIYXL 分析:下一场 AI 竞赛关乎单位基础设施的有用工作量

Vera Rubin 在 MLPerf 首秀中的意义超越了常规的硬件代际升级。

这些结果说明了 AI 行业的三个结构性变化。

第一,即使市场日益关注推理,训练效率仍然至关重要。开发者仍需要训练和改进能力更强的模型,而更短的实验周期可以加速研究。

第二,强化学习和智能体工作负载正成为计算平台的核心设计考量。

第三,随着 AI 基础设施扩张,能效和系统级优化正成为主要竞争变量。

NVIDIA 的地位不仅因加速器性能而得到加强,还因其集成软件生态、网络技术以及大规模运行能力而得到加强。

然而,基准测试领先并不自动等同于现实世界中的成本领先地位。

客户仍需评估硬件购置成本、功耗、利用率、软件兼容性以及特定应用性能。

对更广泛的 AI 行业而言,方向是明确的:下一代基础设施竞争将日益以给定计算能力、电力和资本能完成多少可靠、有用的 AI 工作来衡量。

来源:

  1. NVIDIA 博客,2026 年 11 月 16 日 — NVIDIA 横扫 MLPerf Training 和 Endpoints,Vera Rubin 首秀即展现领先性能。

  2. NVIDIA 技术博客,2026 年 11 月 16 日 — NVIDIA Vera Rubin NVL72 在 MLPerf Training v6.1 中实现最高 2 倍于 Blackwell Ultra 的性能。

  3. MLCommons — MLPerf Training v6.1 基准测试结果。

编辑说明: 2 倍这一数字适用于选定的已验证训练基准比较。超过 10 倍的每瓦吞吐量数字指的是特定的暂定 MLPerf Endpoints 比较,不应推广到所有推理工作负载。