16 listopada 2026 r. Google Cloud opublikowało wyniki MLPerf Training v6.1 dla systemów z TPU Ironwood i układami NVIDIA Grace Blackwell. Firma zgłosiła 10 wyników; najważniejsze dotyczą trenowania DeepSeek-V3 oraz dostrajania Qwen3.5-397B metodą uczenia ze wzmocnieniem. To pomiary konkretnych zadań na skonfigurowanych systemach: MLCommons opisuje MLPerf jako testy obejmujące modele, oprogramowanie i sprzęt (MLCommons; Google Cloud).

Jakie zadania i konfiguracje sprawdzono?

W wynikach Google Cloud czas oznacza dojście do docelowej jakości w danym zadaniu. Poniższe liczby pochodzą ze zgłoszeń firmy; opis szczegółów konfiguracji dla DeepSeek-V3 wskazuje, że test na Ironwood przy 8 192 chipach odbył się w jednej domenie połączeń między układami (ICI) (omówienie zgłoszeń MLPerf).

Zadanie i modelSystem i konfiguracjaCzas do docelowej jakościDodatkowy pomiar
Trenowanie wstępne DeepSeek-V3 (671B)Ironwood; 2 048, 4 096 lub 8 192 chipy5,03 min przy 2 048 chipach; 2,62 min przy 4 096; 1,70 min przy 8 192Sprawność skalowania: ok. 96% między 2 048 a 4 096 chipami i 77% między 4 096 a 8 192. EMFU: odpowiednio 56%, 54% i 42% względem szczytowej wydajności BF16.
Dostrajanie Qwen3.5-397B metodą GRPO640 chipów Ironwood: 128 w części trenującej oraz 128 czterochipowych silników próbkowania18,02 minDokładność 0,765 przy celu 0,69; czas oczekiwania chipów trenujących poniżej 3%.
Trenowanie wstępne DeepSeek-V3256 GPU NVIDIA GB300 w instancjach Google Cloud A4X Max, w wielu domenach połączonych przez RoCE31,96 minEMFU wyniosło 63% względem szczytowej wydajności BF16.

MLCommons wprowadziło Qwen3.5-397B jako nowy benchmark dostrajania po treningu, oparty na GRPO, czyli optymalizacji polityki względem grupy. Zadania obejmują inżynierię oprogramowania, w tym wywoływanie narzędzi. W rundzie v6.1 pojawił się też benchmark rekomendacyjny DLRMv4-HSTU (opis MLCommons).

Przy odczytywaniu wyniku zestawiaj model, zadanie i konfigurację: czas jednego testu sam w sobie nie opisuje innego systemu.

Co pokazują kolejne etapy skalowania Ironwood?

W teście DeepSeek-V3 czas skracał się z 5,03 minuty przy 2 048 chipach do 2,62 minuty przy 4 096, a następnie do 1,70 minuty przy 8 192. Raportowana sprawność skalowania wyniosła około 96% dla pierwszego przejścia i 77% dla drugiego. Wartości 96% nie należy więc przypisywać całemu zwiększeniu skali od 2 048 do 8 192 chipów (szczegóły zgłoszenia).

Wyniki EMFU — efektywnego wykorzystania obliczeń modelu względem szczytowej wydajności BF16 — dla tych samych konfiguracji wyniosły 56%, 54% i 42%. To odrębny wskaźnik od sprawności skalowania: pierwszy odnosi się do wykorzystania wydajności obliczeniowej, drugi do kolejnych etapów zwiększania liczby chipów.

Jak porównywać wyniki TPU i GPU?

Wyniki dla DeepSeek-V3 dotyczą tego samego modelu i zadania, ale różnych konfiguracji całego systemu: zgłoszenie Ironwood używało do 8 192 chipów w jednej domenie ICI, a wynik GB300 — 256 GPU w konfiguracji wielodomenowej przez RoCE. Czasy z tych dwóch uruchomień opisują właśnie te układy, a nie wydajność pojedynczego akceleratora. Koszt uruchomienia też jest osobną miarą: jego porównanie wymagałoby cen dla konkretnych konfiguracji.

Wyniku Qwen3.5-397B nie należy zestawiać czasowo z DeepSeek-V3 tak, jakby oba testy wykonywały tę samą pracę. Qwen mierzy dostrajanie po treningu, a DeepSeek-V3 — trenowanie wstępne. Różne zadania mają różne cele benchmarkowe.

Jak duża była runda MLPerf Training v6.1?

MLCommons podało, że runda objęła 153 systemy i 250 wyników testów zgłoszonych przez 24 organizacje. Wśród nich 57 systemów działało w chmurze, a 12 wykorzystywało co najmniej 1 000 akceleratorów (wyniki MLPerf Training v6.1).