Newshot

谷歌第七代自研 Ironwood TPU 交卷:8192 颗集群约 102 秒达标 DeepSeek-V3 预训练

Summary

IT之家 11 月 17 日消息,谷歌云(Google Cloud)昨日(11 月 16 日)发布博文, 在 MLPerf Training v6.1 基准测试第一轮中,提交了覆盖第七代 Ironwood TPU 与英伟达 Grace Blackwell GPU 的 10 项结果 ,涉及模型预训练,以及 MLPerf 首次纳入的智能体强化学习测试。 IT之家注:10 项成绩并非全部来自 Ironwood,其中 4 项使用谷歌自研芯片,另外 6 项采用英伟达 GPU。 在 DeepSeek-V3 预训练测试中,8,192 颗 Ironwood TPU 用时 1.70 分钟(约 102 秒),让目标模型达到基准规定的质量要求。谷歌同时披露,在扩展至 4,096 颗芯片的测试中,系统扩展效率达到 96%。 根据 MLCommons 发布的参赛方补充说明,谷歌在 DeepSeek-V3 671B 预训练项目中提交了三组 Ironwood 成绩: Ironwood 芯片数量 达到目标质量的时间 换算为秒 相对 2,048 颗配置的提速 2,048 颗 5.03 分钟 约 302 秒 基准 4,096 颗 2.62 分钟 约 157 秒 约 1.92 倍 8,192 颗 1.70 分钟 102 秒 约 2.96 倍 同轮 DeepSeek-V3 671B 测试中,可参考以下公开成绩: 提交方/平台 加速器配置 达标用时 英伟达 GB300 NVL72 集群 10,240 颗 GB300 GPU 1.38 分钟,约 82.8 秒 谷歌 Ironwood 集群 8,192 颗 Ironwood TPU 1.70 分钟,102 秒 英伟达 Vera Rubin NVL72 集群 1,024 颗 Rubin GPU 4.14 分钟 英伟达 GB300 NVL72 集群 1,024 颗 GB300 GPU 8.03 分钟 谷歌云 A4X Max 256 颗 GB300 GPU 31.96 分钟 Ironwood 及谷歌云 GB300 成绩来自谷歌披露,其余成绩来自英伟达本轮技术说明,英伟达将 10,240 颗 GB300 的 1.38 分钟列为本轮该项目最短用时。 在本轮首次引入的智能体强化学习测试中,640 颗 Ironwood 芯片运行 Qwen3.5-397B,用时 18.02 分…

Original text(via IT之家)
  • 日夜间 随系统 浅色 深色

谷歌第七代自研 Ironwood TPU 交卷:8192 颗集群约 102 秒达标 DeepSeek-V3 预训练

IT之家 11 月 17 日消息,谷歌云(Google Cloud)昨日(11 月 16 日)发布博文,在 MLPerf Training v6.1 基准测试第一轮中,提交了覆盖第七代 Ironwood TPU 与英伟达 Grace Blackwell GPU 的 10 项结果,涉及模型预训练,以及 MLPerf 首次纳入的智能体强化学习测试。

IT之家注:10 项成绩并非全部来自 Ironwood,其中 4 项使用谷歌自研芯片,另外 6 项采用英伟达 GPU。

在 DeepSeek-V3 预训练测试中,8,192 颗 Ironwood TPU 用时 1.70 分钟(约 102 秒),让目标模型达到基准规定的质量要求。谷歌同时披露,在扩展至 4,096 颗芯片的测试中,系统扩展效率达到 96%。

根据 MLCommons 发布的参赛方补充说明,谷歌在 DeepSeek-V3 671B 预训练项目中提交了三组 Ironwood 成绩:

Ironwood 芯片数量达到目标质量的时间换算为秒相对 2,048 颗配置的提速
2,048 颗5.03 分钟约 302 秒基准
4,096 颗2.62 分钟约 157 秒约 1.92 倍
8,192 颗1.70 分钟102 秒约 2.96 倍

同轮 DeepSeek-V3 671B 测试中,可参考以下公开成绩:

提交方/平台加速器配置达标用时
英伟达 GB300 NVL72 集群10,240 颗 GB300 GPU1.38 分钟,约 82.8 秒
谷歌 Ironwood 集群8,192 颗 Ironwood TPU1.70 分钟,102 秒
英伟达 Vera Rubin NVL72 集群1,024 颗 Rubin GPU4.14 分钟
英伟达 GB300 NVL72 集群1,024 颗 GB300 GPU8.03 分钟
谷歌云 A4X Max256 颗 GB300 GPU31.96 分钟

Ironwood 及谷歌云 GB300 成绩来自谷歌披露,其余成绩来自英伟达本轮技术说明,英伟达将 10,240 颗 GB300 的 1.38 分钟列为本轮该项目最短用时。

在本轮首次引入的智能体强化学习测试中,640 颗 Ironwood 芯片运行 Qwen3.5-397B,用时 18.02 分钟达到编程任务要求,准确率为 76.5%,高于 69% 的目标。代码生成与学习同步进行,让训练芯片等待时间占比低于 3%。

在 Google Cloud A4X Max 实例中,256 块用于预训练基准的 NVIDIA GB300 GPU 在 31.96 分钟内达到目标质量,辅以 5 个 A4X 和 A4X Max 在 agentic RL 基准测试中的提交。

  • New AI training performance benchmarks for Google TPUs
  • MLCommons Releases MLPerf Training v6.1 Results, Spotlighting Recent Advances in AI Training
  • Supplemental Results Discussion for MLPerf Training v6.1

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家包含外链的文章均包含本声明。

相关文章

  • 谷歌 Pics 升级 Nano Banana 2.1 模型:生图更细腻,改图更准确
  • 做 App 副业的最佳 AI 助手:谷歌推出系列工具,瞄准最头疼的变现环节
  • 应对 AI 漏洞挖掘挑战:谷歌 Project Zero 计划将逐步缩短漏洞公开披露期限至 30 天
  • 谷歌 Pixel 系列手机 11 月更新后出问题:屏保无法进入低亮度模式
  • 谷歌推送 Android Auto 18.2 测试版,代码显示官方正持续开发浅色模式菜单界面
  • 谷歌 Gemini 个人智能功能接入 Google Wallet 钱包应用:可为用户消费习惯提供个性化分析建议

软媒旗下网站: IT之家 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 软媒手机APP应用 魔方 最会买 要知

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by IT之家
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗