MTT S5000 в робототехнике: близкие кривые обучения — ещё не равная скорость

В сентябре 2026 года Moore Threads представила результаты испытаний GPU MTT S5000 для воплощённого ИИ — систем, которые обучаются взаимодействовать с физическим миром, в том числе управлять роботами. Цифры относятся к разным уровням проверки: ходу обучения, работе отдельных вычислительных операций и выполнению конкретной задачи на реальном роботе. Складывать их в один показатель превосходства над другими GPU нельзя. 4

Что означает корреляция r = 0,976

В нагрузке WoVR на платформе обучения с подкреплением RLinf сравнили кривые обучения MTT S5000 и GPU, названного в сообщении компании массовой международной моделью. Тест проводили при 248 параллельных средах, с одинаковой схемой обучения и одним случайным начальным значением. Корреляция показателей по шагам составила r = 0,976. Также сообщалось о сопоставимой успешности полученных стратегий при оценке LIBERO-Spatial. Близость кривых говорит о сходном ходе обучения в этих условиях, но не о равном времени обучения. 410

Для команд, которые рассчитывают воспроизводить эксперименты, важна и программная поддержка. Согласно опубликованным данным, RLinf работает с платформой MUSA, а начиная с версии 0.3 его официальный процесс непрерывной интеграции (CI) включает автоматические проверки на MTT S5000 до включения изменений в основную ветку кода. 4

Где удалось сократить время шага

Moore Threads описала три изменения в своём конвейере: перенос обработки изображений с центрального процессора на GPU, объединение численных проверок в цикле удаления шума и замену скалярных значений Python тензорами на устройстве в часто выполняемом участке кода. В измеренной конфигурации время одного шага сократилось с 2,549 до 1,888 секунды — примерно на 26%. Доля времени простоя GPU снизилась с 18,5% до 3,1%. Это сравнение конвейера до и после изменений, а не тест скорости против конкурирующей видеокарты. 4

Отдельно компания заявила, что в тестах отдельных операций GEMM — матричного умножения — и механизма внимания S5000 показал производительность в 1,6–2 раза выше, чем сравниваемые GPU. Такой результат сам по себе ничего не говорит о скорости полного цикла обучения или работы робота. 4

Что произошло на реальном роботе

В задаче сборки с двумя роботизированными манипуляторами Moore Threads применила процесс улучшения стратегии на основе π0.5. По сообщению компании, доля успешных попыток выросла примерно с 20% до 92%, а время тонких манипуляций сократилось на 39,5%. Это результат для указанной задачи и установки, а не универсальный показатель успешности S5000 в робототехнике. 4

Для потенциального покупателя ключевой вопрос шире: насколько удобно на одной платформе обучать модель, обрабатывать изображения, моделировать физику и оценивать стратегию. Moore Threads описывает решения для нескольких этапов такого процесса, однако приведённые цифры не дают независимого измерения производительности всего цикла разработки. Перед закупкой стоит запросить воспроизводимые настройки тестов, повторные испытания на реальном роботе и сравнение полного процесса на задачах собственной команды. 411