Aktualności, narzędzia i prawo AIPolska · codziennie
Analizy

MLPerf Training 6.1. Vera Rubin i TPU Ironwood debiutują w teście

MLCommons ogłosił wyniki MLPerf Training 6.1. W rundzie debiutują GPU Vera Rubin i TPU Ironwood, a nowy test sprawdza post-trening modelu do zadań programistycznych.

Siwowłosa inżynierka i brodaty inżynier analizują wykresy wydajności na laptopie między szafami serwerowymi z rurami chłodzenia cieczą
Ilustracja redakcyjna dailyAI

MLCommons opublikował 16 listopada 2026 roku wyniki MLPerf Training 6.1, niezależnego testu szybkości trenowania modeli AI. W rundzie wzięły udział 24 organizacje i 153 systemy, a po raz pierwszy pojawiły się GPU z generacji NVIDIA Rubin oraz Google TPU v7 Ironwood. Nowy test mierzy post-trening dużego modelu Qwen3.5-397B metodą uczenia ze wzmocnieniem. Według NVIDII system Vera Rubin NVL72 trenował do 2 razy szybciej na jeden GPU niż GB300 NVL72. Wyniki MLPerf służą też jako miara w unijnym przetargu na gigafabryki AI.

Czym jest MLPerf Training i co pokazała runda 6.1

MLPerf Training to zestaw testów konsorcjum MLCommons, który mierzy, ile czasu zajmuje wytrenowanie modelu do ustalonej dokładności. Testowany jest cały system, czyli akceleratory, sieć i oprogramowanie, a wyniki przechodzą wzajemną recenzję uczestników. Dzięki temu porównanie jest bardziej wiarygodne niż deklaracje pojedynczego producenta.

Runda 6.1 jest największa w historii testu pod względem liczby zgłoszeń. Uczestnicy przesłali 153 systemy i 250 wyników. Dwanaście systemów miało co najmniej 1000 akceleratorów, a największy 10 240. W zestawieniu znalazły się układy NVIDII, AMD i Google, w tym po raz pierwszy GPU z generacji Rubin i TPU v7 Ironwood.

Dwa nowe testy, rekomendacje i post-trening agentów

MLCommons dodał dwa obciążenia, które odpowiadają temu, jak dziś trenuje się modele. Zmiana ma znaczenie, bo wcześniejsze rundy skupiały się głównie na wstępnym trenowaniu modeli językowych i obrazowych.

  • DLRMv4-HSTU zastępuje starszy test DLRM-dcnv2. Wykorzystuje architekturę HSTU opartą na mechanizmie uwagi i trenuje na zbiorze Yambda, jednym z największych otwartych zbiorów danych rekomendacyjnych.
  • Qwen3.5-397B to pierwszy w MLPerf test post-treningu, czyli dalszego uczenia gotowego modelu. Model uczy się metodą GRPO (Group Relative Policy Optimization) rozwiązywania zadań programistycznych, m.in. wywoływania narzędzi.
  • Post-trening odpowiada za większość funkcji agentowych w nowych modelach, dlatego jego wydajność wpływa na to, jak szybko dostawcy mogą wypuszczać kolejne wersje.

Wyniki NVIDII i ich ograniczenia

NVIDIA podała, że jako jedyna zgłosiła wyniki we wszystkich testach rundy. Według firmy Vera Rubin NVL72 osiągnął w debiucie do 2 razy wyższą wydajność na jeden GPU niż GB300 NVL72. W teście DeepSeek-V3 zwiększenie liczby GPU z 256 do 1024 skróciło trening z 16 do ok. 4 minut przy efektywności skalowania około 97 proc. Na 10 240 GPU wyniki zgłosiły NVIDIA z systemami GB300 oraz Microsoft Azure z systemami GB200.

Te liczby pochodzą z wpisu NVIDII, a nie z komunikatu MLCommons, który nie wskazuje zwycięzców. Porównanie dotyczy wybranych konfiguracji i nie mówi nic o cenie systemu ani dostępności. Osobno NVIDIA chwali się ponad 10-krotnie wyższą przepustowością na wat w nowym teście MLPerf Endpoints z modelem Kimi K3, ale wynik Vera Rubin ma tam status tymczasowy i czeka na weryfikację MLCommons.

Znaczenie dla firm i przetargu UE na gigafabryki AI

Dla europejskich kupujących MLPerf przestaje być wyłącznie rankingiem producentów. MLCommons opisał w październiku, że specyfikacja unijnego przetargu na gigafabryki AI, prowadzonego przez EuroHPC Joint Undertaking z krajowymi instytucjami, ocenia oferty na podstawie wyników MLPerf Training 5.1 i Inference 5.1. Oferty trzeba było złożyć do 12 listopada 2026 roku, a program przewiduje do 10 mld euro finansowania unijnego i krajowego na maksymalnie siedem ośrodków.

W naszej ocenie runda 6.1 jest przydatna przede wszystkim dla firm i uczelni, które wynajmują moc obliczeniową w chmurze. Wyniki z 57 systemów chmurowych pozwalają porównać ofertę dostawców na tych samych zadaniach. Przed decyzją warto sprawdzić wynik dla skali zbliżonej do własnego projektu, bo rekord na 10 tys. GPU niewiele mówi o klastrze z kilkudziesięcioma kartami.

Źródła i data sprawdzenia

  1. MLCommons Releases MLPerf Training v6.1 ResultsMLCommons, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  2. NVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading PerformanceNVIDIA, publikacja: 2026-11-16, sprawdzono: 2026-11-16
  3. MLPerf in the EU's AI Gigafactories tender, and Endpoints v1.0 opens for submissionsMLCommons, publikacja: 2026-10-13, sprawdzono: 2026-11-16
Nota redakcyjna

Artykuł ma charakter informacyjny. Przy decyzjach prawnych, finansowych lub organizacyjnych warto zweryfikować wnioski w odniesieniu do konkretnej sytuacji.