Google Cloud ha pubblicato il 16 novembre 2026 i risultati di MLPerf Training v6.1 per sistemi con TPU Ironwood e GPU NVIDIA Grace Blackwell. Le cifre più rilevanti riguardano il pre-training di DeepSeek-V3 (671B) e il post-training di Qwen3.5-397B; per Ironwood, l’efficienza di scaling riportata passa da circa il 96% tra 2.048 e 4.096 chip al 77% tra 4.096 e 8.192. Google Cloud MLPerf Training v6.1: risultati e carichi di lavoro Dettagli supplementari delle submission

MLPerf misura sistemi completi, combinando modelli, software e hardware. I risultati descrivono quindi le prestazioni nelle configurazioni specifiche del benchmark; non sono una misura isolata del chip. MLCommons

Un tempo di benchmark ha senso insieme al modello, al compito e alla configurazione che lo hanno prodotto.

Quali modelli e configurazioni hanno generato i risultati

Google Cloud ha dichiarato dieci risultati per il round v6.1, tra Ironwood e sistemi NVIDIA Grace Blackwell. Le righe seguenti raccolgono alcuni risultati descritti in dettaglio, senza estendere la lista all’intera submission. Google Cloud

Carico di lavoroSistema e configurazioneTempo riportatoAltra misura riportata
Pre-training di DeepSeek-V3 (671B)2.048 chip Ironwood5,03 minutiEMFU del 56% rispetto al picco BF16
Pre-training di DeepSeek-V3 (671B)4.096 chip Ironwood2,62 minutiEMFU del 54%; efficienza di scaling di circa il 96% dal passaggio da 2.048 a 4.096 chip
Pre-training di DeepSeek-V3 (671B)8.192 chip Ironwood in un dominio ICI1,70 minutiEMFU del 42%; efficienza di scaling del 77% dal passaggio da 4.096 a 8.192 chip
Pre-training di DeepSeek-V3256 GPU NVIDIA GB300 su Google Cloud A4X Max31,96 minutiEMFU del 63% rispetto al picco BF16
Post-training con reinforcement learning di Qwen3.5-397B640 chip Ironwood: una sezione trainer da 128 chip e 128 motori sampler da quattro chip ciascuno18,02 minutiAccuratezza 0,765, a fronte di un obiettivo di 0,69; attesa dei chip di training inferiore al 3%
Post-training con reinforcement learning di Qwen3.5-397B256 GPU NVIDIA GB200 su A4X/A4X Max21,03 minuti—

Google descrive il risultato Ironwood di DeepSeek-V3 come raggiungimento della qualità obiettivo. Nella configurazione da 8.192 chip, il sistema operava in un solo dominio ICI, cioè un dominio dell’interconnessione tra chip. Le tre misure di utilizzo effettivo del modello (EMFU) sono rapportate alle prestazioni di picco in formato BF16. Dettagli supplementari delle submission

Che cosa cambia nell’efficienza di scaling di Ironwood

L’efficienza di scaling indica quanto il tempo di esecuzione migliora quando si aumenta il numero di chip. Nel test di DeepSeek-V3, il passaggio da 2.048 a 4.096 chip porta il tempo da 5,03 a 2,62 minuti, con un’efficienza dichiarata di circa il 96%. Nel passaggio successivo, da 4.096 a 8.192 chip, il tempo scende a 1,70 minuti e l’efficienza riportata è del 77%. Dettagli supplementari delle submission

Il 96% si riferisce dunque al primo raddoppio, non all’intero percorso fino a 8.192 chip. La percentuale cambia con l’intervallo considerato: leggere insieme i tempi e i rispettivi passaggi evita di attribuire a tutta la scalabilità un solo valore.

Perché i tempi non sono un verdetto generale tra TPU e GPU

I risultati di DeepSeek-V3 riportati per Ironwood e per le GPU GB300 riguardano sistemi con numeri di acceleratori e configurazioni differenti. Anche il risultato su Qwen3.5-397B misura un compito diverso dal pre-training di DeepSeek-V3. I tempi descrivono la durata dei rispettivi test, mentre un confronto economico richiederebbe il costo di ciascuna configurazione.

MLCommons definisce Qwen3.5-397B un nuovo carico di post-training basato su GRPO, un metodo di reinforcement learning, per attività di ingegneria del software come l’uso di strumenti. La configurazione Ironwood separa il lavoro tra trainer e sampler: 128 chip nel trainer e 128 motori da quattro chip per generare i campioni. MLCommons Dettagli supplementari delle submission

Nel round MLPerf Training v6.1, MLCommons ha registrato 153 sistemi e 250 risultati presentati da 24 organizzazioni. La tornata ha introdotto anche il carico di raccomandazione DLRMv4-HSTU, oltre al post-training di Qwen3.5-397B. MLCommons