模型

谷歌第七代 Ironwood TPU 交卷 MLPerf:8192 颗 102 秒完成 DeepSeek-V3 预训练

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

精选理由

这份成绩单能看出自研 TPU 和英伟达 GPU 的真实差距:GB300 万卡集群 82.8 秒最快,谷歌 Ironwood 8192 颗 102 秒紧随其后,扩展效率 96% 说明互联做得很扎实。做大规模训练选型、评估国产替代路径的工程团队都该看看这三组对比数据。

谷歌云在 11 月 16 日发布的 MLPerf Training v6.1 第一轮成绩中提交了 10 项结果,其中 4 项来自第七代 Ironwood TPU,6 项来自英伟达 Grace Blackwell GPU。

正文

在 DeepSeek-V3 671B 预训练测试中,8192 颗 Ironwood TPU 用时 1.70 分钟(约 102 秒)达到基准质量要求;

扩展到 4096 颗芯片时系统扩展效率为 96%。对比同轮成绩,英伟达 10240 颗 GB300 NVL72 集群以 1.

38 分钟(约 82.8 秒)保持该项目最短用时,1024 颗 Vera Rubin NVL72 集群用时 4.

14 分钟。本轮 MLPerf 还首次纳入智能体强化学习测试:640 颗 Ironwood 芯片运行 Qwen3.

5-397B,18.02 分钟达标,编程任务准确率 76.

5%,高于 69% 的目标线,代码生成与学习同步进行使芯片等待时间占比低于 3%。MLCommons 补充说明显示,Ironwood 从 2048 颗扩到 8192 颗带来约 2.

96 倍提速,接近理想线性扩展。

原文 · IT之家

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 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。 参考 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

产业坐标与信源核验

本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「中美大模型技术代差与商业化对照」「AI 开发者工具链、Coding Agent 与工程化实践」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:Ironwood TPU、MLPerf、DeepSeek-V3、Google Cloud,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明:本文原始线索采编自「IT之家」,经 AITOP 多维评分管线结构化提炼。