NVIDIA zgarnia wszystko w MLPerf Training 6.0: Rekordy na Blackwell Ultra i nowe testy DeepSeek
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3]. Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
Opublikowane przezEdytowane za pomocą DeepSeek-V4-ProObrazy wygenerowane za pomocą GPT Image 1.5
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3].
Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
CoreWeave ustanowiło rekord, trenując model DeepSeek V3 671B w 2,02 minuty na klastrze 8192 GPU NVIDIA GB300 NVL72 – największym zgłoszonym w tej rundzie [8][26].
Nowa platforma NVIDIA GB300 NVL72 (Blackwell Ultra) jest nawet 2,77 razy szybsza w inferencji od poprzednika GB200 NVL72, a w treningu wykazuje solidny wzrost przepustowości [13][7].
What are the key highlights from the MLPerf Training v6.0 results, including Nvidia's performance across all benchmarks on its Blackwell plaNVIDIA's Blackwell platform set new performance records across all MLPerf Training v6.0 benchmarks, driven by the powerful GB300 NVL72 system.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key highlights from the MLPerf Training v6.0 results, including Nvidia's performance across all benchmarks on its Blackwell pla. Article summary: ## MLPerf Training v6.0 Key Highlights. Topic tags: general, documentation, news, general web, user generated. Reference image context from search candidates: Reference image 1: visual subject "Home » News » NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform. # NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform. NVIDIA has publish" source context "NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform - StorageReview.com" Reference image 2: visual subject "# MLPerf Inference v6.0 Results Explained: GPU Performance Rankings for AI Workloads (2026). MLPerf Inference v6.0 results dropped April 1, 2026, and
openai.com
MLPerf Training 6.0: NVIDIA dyktuje warunki w świecie AI
Najnowsza edycja branżowych testów wydajności MLPerf Training 6.0 przyniosła jednoznaczny werdykt. NVIDIA dokonała dzieła – wygrała każdy pojedynczy benchmark, zarówno pod względem najkrótszego czasu treningu na dużą skalę, jak i najwyższej wydajności w przeliczeniu na pojedynczy akcelerator. Co więcej, była to jedyna firma, która wzięła udział we wszystkich siedmiu konkurencjach.
To osiągnięcie umacnia dominację platformy NVIDIA Blackwell, ale prawdziwy przełom tkwi w szczegółach: nowych, gigantycznych modelach, rekordowych klastrach i innowacjach programowych.
Nowa era modeli: DeepSeek-V3 i GPT-OSS wchodzą do gry
Konsorcjum MLCommons, stojące za testami MLPerf, postawiło przed uczestnikami zupełnie nowe wyzwanie. W tej rundzie zadebiutowały dwa benchmarki oparte na architekturze Mixture-of-Experts (MoE), która stała się fundamentem najnowszych, przełomowych modeli AI:
DeepSeek-V3: Gigantyczny model językowy o 671 miliardach parametrów, z których 37 miliardów jest aktywowanych dla każdego tokena .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "NVIDIA zgarnia wszystko w MLPerf Training 6.0: Rekordy na Blackwell Ultra i nowe testy DeepSeek"?
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3].
What are the key points to validate first?
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3]. Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
What should I do next in practice?
CoreWeave ustanowiło rekord, trenując model DeepSeek V3 671B w 2,02 minuty na klastrze 8192 GPU NVIDIA GB300 NVL72 – największym zgłoszonym w tej rundzie [8][26].
NVIDIA zgarnia wszystko w MLPerf Training 6.0: Rekordy na Blackwell Ultra i nowe testy DeepSeek
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3]. Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
Opublikowane przezEdytowane za pomocą DeepSeek-V4-ProObrazy wygenerowane za pomocą GPT Image 1.5
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3].
Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
CoreWeave ustanowiło rekord, trenując model DeepSeek V3 671B w 2,02 minuty na klastrze 8192 GPU NVIDIA GB300 NVL72 – największym zgłoszonym w tej rundzie [8][26].
Nowa platforma NVIDIA GB300 NVL72 (Blackwell Ultra) jest nawet 2,77 razy szybsza w inferencji od poprzednika GB200 NVL72, a w treningu wykazuje solidny wzrost przepustowości [13][7].
What are the key highlights from the MLPerf Training v6.0 results, including Nvidia's performance across all benchmarks on its Blackwell plaNVIDIA's Blackwell platform set new performance records across all MLPerf Training v6.0 benchmarks, driven by the powerful GB300 NVL72 system.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What are the key highlights from the MLPerf Training v6.0 results, including Nvidia's performance across all benchmarks on its Blackwell pla. Article summary: ## MLPerf Training v6.0 Key Highlights. Topic tags: general, documentation, news, general web, user generated. Reference image context from search candidates: Reference image 1: visual subject "Home » News » NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform. # NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform. NVIDIA has publish" source context "NVIDIA Sets MLPerf Inference v6.0 Records with Blackwell Ultra Platform - StorageReview.com" Reference image 2: visual subject "# MLPerf Inference v6.0 Results Explained: GPU Performance Rankings for AI Workloads (2026). MLPerf Inference v6.0 results dropped April 1, 2026, and
openai.com
MLPerf Training 6.0: NVIDIA dyktuje warunki w świecie AI
Najnowsza edycja branżowych testów wydajności MLPerf Training 6.0 przyniosła jednoznaczny werdykt. NVIDIA dokonała dzieła – wygrała każdy pojedynczy benchmark, zarówno pod względem najkrótszego czasu treningu na dużą skalę, jak i najwyższej wydajności w przeliczeniu na pojedynczy akcelerator. Co więcej, była to jedyna firma, która wzięła udział we wszystkich siedmiu konkurencjach.
To osiągnięcie umacnia dominację platformy NVIDIA Blackwell, ale prawdziwy przełom tkwi w szczegółach: nowych, gigantycznych modelach, rekordowych klastrach i innowacjach programowych.
Nowa era modeli: DeepSeek-V3 i GPT-OSS wchodzą do gry
Konsorcjum MLCommons, stojące za testami MLPerf, postawiło przed uczestnikami zupełnie nowe wyzwanie. W tej rundzie zadebiutowały dwa benchmarki oparte na architekturze Mixture-of-Experts (MoE), która stała się fundamentem najnowszych, przełomowych modeli AI:
DeepSeek-V3: Gigantyczny model językowy o 671 miliardach parametrów, z których 37 miliardów jest aktywowanych dla każdego tokena .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "NVIDIA zgarnia wszystko w MLPerf Training 6.0: Rekordy na Blackwell Ultra i nowe testy DeepSeek"?
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3].
What are the key points to validate first?
NVIDIA odniosła całkowite zwycięstwo w MLPerf Training 6.0, osiągając najszybszy czas treningu i najwyższą wydajność na akcelerator we wszystkich siedmiu benchmarkach [3]. Wprowadzono dwa nowe testy dla architektury Mixture of Experts (MoE): DeepSeek V3 z 671 miliardami parametrów oraz mniejszy GPT OSS 20B [3][10].
What should I do next in practice?
CoreWeave ustanowiło rekord, trenując model DeepSeek V3 671B w 2,02 minuty na klastrze 8192 GPU NVIDIA GB300 NVL72 – największym zgłoszonym w tej rundzie [8][26].
GPT-OSS-20B: Mniejszy, ale wciąż wymagający model MoE.
NVIDIA, wykorzystując swój najpotężniejszy system GB300 NVL72, była jedyną platformą, która podjęła się obu tych zadań . System ten łączy 72 układy Blackwell Ultra w jedną, potężną domenę obliczeniową.
Architektura DeepSeek-V3 jest wyjątkowo zaawansowana. Oprócz MoE wykorzystuje Multi-head Latent Attention (MLA), precyzyjną segmentację ekspertów (160 trasowanych ekspertów) i przewidywanie wielu tokenów na raz, co czyni ją jednym z najbardziej wymagających testów dla sprzętu AI .
Rekord CoreWeave: DeepSeek-V3 wytrenowany w 2 minuty
Największe wrażenie zrobił wynik dostawcy chmury obliczeniowej CoreWeave. Firma, korzystając z produkcyjnej infrastruktury dostępnej dla swoich klientów, wytrenowała model DeepSeek-V3 671B w zaledwie 2,02 minuty.
Był to nie tylko najszybszy czas dla tego modelu w całym teście, ale także pokaz możliwości ogromnego klastra. CoreWeave użyło 8192 układów GPU NVIDIA GB300 NVL72, co było największą konfiguracją zgłoszoną w tej rundzie . Kluczem do sukcesu była optymalizacja całego stosu technologicznego – od sieci, przez orkiestrację, po warstwę pamięci masowej.
GB300 vs. GB200: Skok generacyjny Blackwell Ultra
Porównanie nowej platformy GB300 NVL72 z poprzednią generacją GB200 NVL72 pokazuje, jak duży jest postęp technologiczny:
W zadaniach inferencji (wnioskowania) GB300 NVL72, należący do rodziny Blackwell Ultra, osiąga nawet 2,77 razy wyższą przepustowość w tokenach na sekundę niż GB200 NVL72 .
W treningu, przy tej samej skali, GB300 NVL72 jest do 1,6 raza szybszy od swojego poprzednika .
Przewaga ta wynika z większych zasobów pamięci i budżetu energetycznego, ale to tylko połowa sukcesu. Druga połowa to oprogramowanie. Inżynierowie NVIDII osiągnęli 1,3-krotny wzrost przepustowości treningu DeepSeek-V3 w ciągu zaledwie trzech miesięcy na identycznym sprzęcie, wykorzystując zaawansowane techniki, takie jak pełnoiteracyjne grafy CUDA i fuzje oparte na CuTe DSL . Pokazuje to, jak bardzo optymalizacja stosu programowego (CUDA) wpływa na końcowy wynik.
Różnorodność i konkurencja: AMD depcze po piętach
Choć NVIDIA zdominowała wyniki, runda MLPerf Training 6.0 była rekordowa pod względem różnorodności:
Swoje wyniki zgłosiły 24 organizacje, testując 95 różnych systemów i 13 typów akceleratorów sprzętowych.
Coraz większą rolę odgrywają różne warianty precyzji obliczeń. AMD wykorzystało w swoich układach Instinct MI355X format MXFP4, osiągając wyniki konkurencyjne wobec platformy NVIDIA B200. W dostrajaniu modelu Llama 2-70B AMD było w zasięgu 5%, a w treningu wstępnym Llama 3.1-8B – w granicach 6% od wyniku rywala .
Ta techniczna różnorodność, którą doceniła współprzewodnicząca MLPerf Training, Shriya Rishab, pokazuje, że rynek AI staje się coraz bardziej zaawansowany i konkurencyjny .
Sieć i skala: Sekretne składniki rekordów
Osiągnięcie rekordowych czasów na tak dużą skalę nie byłoby możliwe bez innowacji w łączności. Partnerzy NVIDII skalowali swoje klastry do 8192 układów Blackwell, wykorzystując technologię Spectrum-X Ethernet.
Jest to kluczowe dla modeli MoE, które wymagają intensywnej, "wybuchowej" komunikacji wszystkich ze wszystkimi. Funkcje takie jak Adaptive Routing i Congestion Control pozwoliły utrzymać przepustowość sieci bliską teoretycznemu maksimum .
Dzięki połączeniu domen NVLink-switch i sieci scale-out, platforma NVIDII ustanowiła rekordowe czasy we wszystkich kategoriach, od dużych modeli językowych po generowanie obrazów:
Trening wstępny Llama 3.1 8B: 5,2 minuty
Dostrajanie Llama 2 70B: 0,40 minuty
Generowanie obrazów (FLUX.1): 12,5 minuty
System rekomendacji (DLRM-DCNv2): 0,71 minuty
Te wyniki to nie tylko suche liczby – to dowód na to, że kompleksowa integracja sprzętu i oprogramowania, od pojedynczego GPU po całe centrum danych, jest dziś kluczem do wygrywania wyścigu o coraz potężniejsze modele AI.
GPT-OSS-20B: Mniejszy, ale wciąż wymagający model MoE.
NVIDIA, wykorzystując swój najpotężniejszy system GB300 NVL72, była jedyną platformą, która podjęła się obu tych zadań . System ten łączy 72 układy Blackwell Ultra w jedną, potężną domenę obliczeniową.
Architektura DeepSeek-V3 jest wyjątkowo zaawansowana. Oprócz MoE wykorzystuje Multi-head Latent Attention (MLA), precyzyjną segmentację ekspertów (160 trasowanych ekspertów) i przewidywanie wielu tokenów na raz, co czyni ją jednym z najbardziej wymagających testów dla sprzętu AI .
Rekord CoreWeave: DeepSeek-V3 wytrenowany w 2 minuty
Największe wrażenie zrobił wynik dostawcy chmury obliczeniowej CoreWeave. Firma, korzystając z produkcyjnej infrastruktury dostępnej dla swoich klientów, wytrenowała model DeepSeek-V3 671B w zaledwie 2,02 minuty.
Był to nie tylko najszybszy czas dla tego modelu w całym teście, ale także pokaz możliwości ogromnego klastra. CoreWeave użyło 8192 układów GPU NVIDIA GB300 NVL72, co było największą konfiguracją zgłoszoną w tej rundzie . Kluczem do sukcesu była optymalizacja całego stosu technologicznego – od sieci, przez orkiestrację, po warstwę pamięci masowej.
GB300 vs. GB200: Skok generacyjny Blackwell Ultra
Porównanie nowej platformy GB300 NVL72 z poprzednią generacją GB200 NVL72 pokazuje, jak duży jest postęp technologiczny:
W zadaniach inferencji (wnioskowania) GB300 NVL72, należący do rodziny Blackwell Ultra, osiąga nawet 2,77 razy wyższą przepustowość w tokenach na sekundę niż GB200 NVL72 .
W treningu, przy tej samej skali, GB300 NVL72 jest do 1,6 raza szybszy od swojego poprzednika .
Przewaga ta wynika z większych zasobów pamięci i budżetu energetycznego, ale to tylko połowa sukcesu. Druga połowa to oprogramowanie. Inżynierowie NVIDII osiągnęli 1,3-krotny wzrost przepustowości treningu DeepSeek-V3 w ciągu zaledwie trzech miesięcy na identycznym sprzęcie, wykorzystując zaawansowane techniki, takie jak pełnoiteracyjne grafy CUDA i fuzje oparte na CuTe DSL . Pokazuje to, jak bardzo optymalizacja stosu programowego (CUDA) wpływa na końcowy wynik.
Różnorodność i konkurencja: AMD depcze po piętach
Choć NVIDIA zdominowała wyniki, runda MLPerf Training 6.0 była rekordowa pod względem różnorodności:
Swoje wyniki zgłosiły 24 organizacje, testując 95 różnych systemów i 13 typów akceleratorów sprzętowych.
Coraz większą rolę odgrywają różne warianty precyzji obliczeń. AMD wykorzystało w swoich układach Instinct MI355X format MXFP4, osiągając wyniki konkurencyjne wobec platformy NVIDIA B200. W dostrajaniu modelu Llama 2-70B AMD było w zasięgu 5%, a w treningu wstępnym Llama 3.1-8B – w granicach 6% od wyniku rywala .
Ta techniczna różnorodność, którą doceniła współprzewodnicząca MLPerf Training, Shriya Rishab, pokazuje, że rynek AI staje się coraz bardziej zaawansowany i konkurencyjny .
Sieć i skala: Sekretne składniki rekordów
Osiągnięcie rekordowych czasów na tak dużą skalę nie byłoby możliwe bez innowacji w łączności. Partnerzy NVIDII skalowali swoje klastry do 8192 układów Blackwell, wykorzystując technologię Spectrum-X Ethernet.
Jest to kluczowe dla modeli MoE, które wymagają intensywnej, "wybuchowej" komunikacji wszystkich ze wszystkimi. Funkcje takie jak Adaptive Routing i Congestion Control pozwoliły utrzymać przepustowość sieci bliską teoretycznemu maksimum .
Dzięki połączeniu domen NVLink-switch i sieci scale-out, platforma NVIDII ustanowiła rekordowe czasy we wszystkich kategoriach, od dużych modeli językowych po generowanie obrazów:
Trening wstępny Llama 3.1 8B: 5,2 minuty
Dostrajanie Llama 2 70B: 0,40 minuty
Generowanie obrazów (FLUX.1): 12,5 minuty
System rekomendacji (DLRM-DCNv2): 0,71 minuty
Te wyniki to nie tylko suche liczby – to dowód na to, że kompleksowa integracja sprzętu i oprogramowania, od pojedynczego GPU po całe centrum danych, jest dziś kluczem do wygrywania wyścigu o coraz potężniejsze modele AI.
developer.nvidia.comNVIDIA Blackwell Tops MLPerf Training 6.0 with Industry-Leading Scale and Performance
benzinga.comMLCommons Releases MLPerf Training v6.0 Results
mlcommons.orgDeepSeek-V3: A Large-Scale MoE Pretraining Benchmark for ...
investors.coreweave.comCoreWeave Sets New AI Training Records in MLPerf® ...