Google Cloud publicó el 16 de noviembre de 2026 resultados de MLPerf Training v6.1 para sistemas con TPU Ironwood y GPU NVIDIA Grace Blackwell. Las cifras corresponden a tareas y configuraciones concretas: el resultado de 1,70 minutos en Ironwood se obtuvo al entrenar DeepSeek-V3 (671B) con 8.192 chips, y la eficiencia de escalado varió según el tramo medido, según el detalle de la presentación. Google dijo haber enviado diez resultados en total, según su anuncio.

MLPerf mide sistemas completos, incluidos modelos, software y hardware; cada resultado refleja la combinación concreta que se presentó. La ronda v6.1 incorporó nuevas cargas de trabajo de recomendación y postentrenamiento, según MLCommons.

Para entender un resultado de benchmark, mira siempre qué tarea ejecutó el sistema y con qué configuración.

Qué modelos y tareas produjeron los resultados

Los resultados destacados de Google corresponden a dos tipos de trabajo: preentrenamiento de DeepSeek-V3 y postentrenamiento por refuerzo de Qwen3.5-397B. La presentación de Google Cloud y el detalle suplementario describen estas configuraciones:

Tarea y modeloSistema y configuraciónTiempo hasta el objetivo
Preentrenamiento de DeepSeek-V3 (671B)8.192 chips Ironwood en un dominio ICI1,70 min
Postentrenamiento de Qwen3.5-397B640 chips Ironwood: 128 para el entrenador y 128 motores de muestreo de cuatro chips18,02 min
Preentrenamiento de DeepSeek-V3256 GPU NVIDIA GB300 en instancias Google Cloud A4X Max31,96 min

El benchmark de Qwen3.5-397B evalúa el postentrenamiento con optimización de políticas relativas por grupos (GRPO) en tareas de ingeniería de software, como el uso de herramientas. Google informó que su ejecución alcanzó una precisión de 0,765 frente a un objetivo de 0,69, y que los chips de entrenamiento estuvieron esperando menos del 3 % del tiempo.

Cómo cambia el escalado de Ironwood

En el preentrenamiento de DeepSeek-V3, Google informó tiempos de 5,03 minutos con 2.048 chips Ironwood, 2,62 minutos con 4.096 y 1,70 minutos con 8.192. La eficiencia de escalado —cómo acompaña el rendimiento al aumento de aceleradores— fue de aproximadamente el 96 % entre 2.048 y 4.096 chips, y del 77 % entre 4.096 y 8.192.

Google también comunicó una utilización efectiva de las operaciones de coma flotante del modelo (EMFU) del 56 %, el 54 % y el 42 % para esas tres configuraciones, respectivamente, medida frente al rendimiento máximo en BF16. Para esta ejecución, describió una configuración de precisión mixta en MaxText: multiplicaciones de matrices de expertos y proyecciones de atención en FP8, atención central en BF16 y pesos maestros en FP32.

Qué permiten comparar los tiempos

Las dos cifras de preentrenamiento corresponden a DeepSeek-V3, pero no describen una comparación chip por chip: el resultado de Ironwood empleó 8.192 chips en un dominio ICI y el de NVIDIA, 256 GPU GB300 en A4X Max. Google informó una EMFU del 63 % frente al rendimiento máximo en BF16 para la ejecución con GB300. El tiempo registra cuánto tardó cada configuración en alcanzar el objetivo de su prueba; por sí solo, no mide el coste económico de una ejecución.

MLCommons informó de que la ronda v6.1 reunió 153 sistemas, 250 resultados y 24 organizaciones participantes. Además de Qwen3.5-397B, incorporó DLRMv4-HSTU, una carga de trabajo de recomendación.