Google Cloud publiceerde op 16 november 2026 tien resultaten voor MLPerf Training v6.1, met systemen op basis van Ironwood-TPU’s en NVIDIA Grace Blackwell-GPU’s. De cijfers horen bij specifieke modellen, taken en configuraties: ze zijn geen algemene maat voor elk AI-werk. Vooral bij Ironwood maakt het verschil welke schaalstap je bekijkt. Google Cloud
Welke workloads zitten achter de resultaten?
MLPerf Training meet complete systemen, inclusief modellen, software en hardware. In v6.1 kwamen onder meer twee workloads erbij: DLRMv4-HSTU voor aanbevelingen en Qwen3.5-397B voor post-training. Die laatste gebruikt Group Relative Policy Optimization (GRPO) voor software-engineeringtaken, zoals het aanroepen van tools. MLCommons
De snelste uitgelichte Ironwood-run voor pre-training betrof DeepSeek-V3 (671B): Google rapporteerde dat 8.192 chips in één ICI-domein de doelscore in 1,70 minuut bereikten. De Qwen3.5-397B-run was een andere taak, post-training met reinforcement learning (RL). Daardoor zijn de looptijden van die twee workloads niet rechtstreeks onderling te vergelijken. Aanvullende MLPerf-resultaten
| Workload en model | Systeem en configuratie | Gerapporteerde looptijd |
| DeepSeek-V3 (671B), pre-training | 8.192 Ironwood-chips, één ICI-domein | 1,70 minuut tot de doelscore |
| Qwen3.5-397B, post-training met RL | 640 Ironwood-chips | 18,02 minuten tot de doelscore |
| DeepSeek-V3, pre-training | 256 NVIDIA GB300-GPU’s op Google Cloud A4X Max | 31,96 minuten tot de doelscore |
| Qwen3.5-397B, post-training met RL | 256 NVIDIA GB200-GPU’s op A4X/A4X Max | 21,03 minuten voor de run |
Google beschreef voor de Qwen-run met Ironwood een opzet met een trainergedeelte van 128 chips en 128 sampler-engines van elk vier chips. Samen zijn dat 640 chips. De gerapporteerde nauwkeurigheid was 0,765 bij een doel van 0,69; de trainingschips wachtten minder dan 3% van de tijd. Google Cloud Aanvullende MLPerf-resultaten
Wat laten Ironwoods schaalstappen zien?
Voor DeepSeek-V3 rapporteerde Google looptijden van 5,03 minuten met 2.048 Ironwood-chips, 2,62 minuten met 4.096 chips en 1,70 minuut met 8.192 chips. De bijbehorende schaalefficiëntie was ongeveer 96% voor de stap van 2.048 naar 4.096 chips en 77% voor de stap van 4.096 naar 8.192. Het percentage van 96% beschrijft dus niet beide stappen. Aanvullende MLPerf-resultaten
Google rapporteerde ook de effectieve benutting van model-FLOPs (EMFU), afgezet tegen de piekprestaties van Ironwood in BF16: 56% bij 2.048 chips, 54% bij 4.096 en 42% bij 8.192. Voor de 8.192-chiprun beschreef Google een gemengde precisie-instelling in MaxText: FP8 voor matrixvermenigvuldigingen van experts en aandachtsprojecties, BF16 voor de kern van de aandacht en FP32 voor de mastergewichten. De meetwaarde hoort daarmee bij die specifieke software- en precisie-instelling.
Lees een benchmarktijd altijd samen met de workload en de systeemconfiguratie: pas dan weet je welke prestatie de meting beschrijft.
Hoe moeten de TPU- en GPU-cijfers worden gelezen?
De uitgelichte DeepSeek-V3-resultaten gebruiken 8.192 Ironwood-chips tegenover 256 GB300-GPU’s op Google Cloud A4X Max. Google rapporteerde voor die GB300-run een EMFU van 63% ten opzichte van de piekprestaties in BF16. De verschillende aantallen accelerators en systeemconfiguraties maken de looptijden geen chip-voor-chipvergelijking of kostenvergelijking. Google Cloud Aanvullende MLPerf-resultaten
MLCommons telde in de v6.1-ronde 153 systemen en 250 resultaten van 24 organisaties. Daarvan waren 57 systemen cloudgebaseerd; 12 gebruikten minstens 1.000 accelerators. Die cijfers plaatsen Googles tien resultaten in een bredere benchmarkronde, waarin uiteenlopende systemen en workloads aan bod kwamen. MLCommons