Le 16 novembre 2026, Google Cloud a publié ses résultats pour MLPerf Training v6.1, avec des systèmes équipés de TPU Ironwood et de GPU NVIDIA Grace Blackwell. Les détails donnent leur contexte aux chiffres clés : le résultat Ironwood de 1,70 minute concerne le préentraînement de DeepSeek-V3 (671B), tandis que l’efficacité de mise à l’échelle varie selon le nombre de puces utilisé. Google Cloud MLPerf, discussion détaillée des résultats

Pour interpréter un temps de benchmark, regardez ensemble la tâche, le modèle et la configuration du système.

Que mesurent les résultats MLPerf de Google Cloud ?

Google Cloud a déclaré avoir soumis dix résultats à MLPerf Training v6.1, pour des systèmes fondés sur Ironwood et sur des GPU NVIDIA Grace Blackwell. Ces résultats portent sur des charges de travail précises. MLCommons décrit MLPerf comme un ensemble de tests de systèmes complets, qui couvrent les modèles, les logiciels et le matériel. MLCommons

La distinction compte : un temps mesuré pour un modèle et une tâche ne décrit pas à lui seul les performances d’un système sur toutes les autres charges de travail.

Quels modèles et tâches se cachent derrière les chiffres ?

Le résultat Ironwood de 1,70 minute correspond au préentraînement de DeepSeek-V3 (671B), qui a atteint le niveau de qualité visé avec 8 192 puces dans un seul domaine ICI, le réseau d’interconnexion entre puces. C’est le résultat rapporté par Google dans sa discussion détaillée de la soumission. Détails de la soumission MLPerf

Le résultat de 18,02 minutes concerne une autre tâche : le post-entraînement de Qwen3.5-397B par apprentissage par renforcement. MLCommons décrit cette charge de travail, nouvelle dans MLPerf Training v6.1, comme un test de tâches d’ingénierie logicielle, notamment l’utilisation d’outils, avec la méthode GRPO. MLCommons Google rapporte que 640 puces Ironwood ont atteint la cible, avec une précision de 0,765 pour un objectif de 0,69 et un temps d’attente des puces d’entraînement inférieur à 3 %. La configuration réunissait une tranche d’entraînement de 128 puces et 128 moteurs d’échantillonnage de quatre puces chacun. Google Cloud Détails de la soumission MLPerf

Google a aussi rapporté un résultat de préentraînement de DeepSeek-V3 en 31,96 minutes sur 256 GPU NVIDIA GB300, dans des instances Google Cloud A4X Max. Le tableau rapproche ce résultat de celui d’Ironwood pour la même tâche ; les configurations et le nombre d’accélérateurs restent différents. Google Cloud Détails de la soumission MLPerf

Système et tâcheConfigurationTemps pour atteindre la cibleEMFU rapportée, par rapport au pic BF16
Ironwood, préentraînement de DeepSeek-V3 (671B)8 192 puces, un domaine ICI1,70 min42 %
NVIDIA GB300, préentraînement de DeepSeek-V3256 GPU sur Google Cloud A4X Max31,96 min63 %

L’EMFU — l’utilisation effective des opérations en virgule flottante du modèle — est une mesure rapportée par rapport aux performances maximales en BF16 de chaque système. Les deux valeurs accompagnent des configurations distinctes ; elles ne sont pas des mesures de vitesse par puce.

Comment évolue l’efficacité de mise à l’échelle d’Ironwood ?

Pour le préentraînement de DeepSeek-V3, Google rapporte des temps de 5,03 minutes avec 2 048 puces, 2,62 minutes avec 4 096, puis 1,70 minute avec 8 192. L’efficacité de mise à l’échelle était d’environ 96 % entre 2 048 et 4 096 puces, puis de 77 % entre 4 096 et 8 192. Le chiffre de 96 % ne couvre donc que la première de ces deux étapes. Détails de la soumission MLPerf

Passage entre configurationsTemps à la configuration d’arrivéeEfficacité de mise à l’échelle rapportée
2 048 à 4 096 puces2,62 minEnviron 96 %
4 096 à 8 192 puces1,70 min77 %

Pour les mêmes configurations, Google rapporte une EMFU de 56 % avec 2 048 puces, 54 % avec 4 096 et 42 % avec 8 192, toujours par rapport au pic BF16 d’Ironwood. La discussion de la soumission décrit aussi l’usage de précisions mixtes dans MaxText : FP8 pour certains calculs matriciels, BF16 pour l’attention principale et poids maîtres en FP32. Détails de la soumission MLPerf

Quelle portée donner à ces chiffres ?

Les temps de DeepSeek-V3 concernent la même tâche, mais pas des systèmes de même taille : les résultats cités mobilisent 8 192 puces Ironwood d’un côté et 256 GPU GB300 de l’autre. Ils ne constituent donc pas une comparaison à nombre égal d’accélérateurs. Le résultat Qwen3.5-397B mesure, lui, une tâche de post-entraînement différente ; son temps ne se compare pas directement à celui du préentraînement.

À l’échelle de toute la manche MLPerf Training v6.1, MLCommons recense 153 systèmes, 250 résultats et 24 organisations participantes. L’organisme indique également l’ajout de deux charges de travail : Qwen3.5-397B pour le post-entraînement et DLRMv4-HSTU pour les systèmes de recommandation. MLCommons