Шторм на ринку ШІ: Як NVIDIA та CoreWeave зруйнували попередні рекорди швидкості навчання в MLPerf v6.0
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3]. Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
ОпублікувавВідредаговано за допомогою DeepSeek-V4-ProЗображення створено за допомогою GPT Image 1.5
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3].
Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
Рекорд CoreWeave: Навчання DeepSeek V3 671B завершено всього за 2.02 хвилини на кластері з 8,192 NVIDIA GB300 NVL72 GPU — це був найбільший кластер GB300 у цьому раунді [8].
Прорив Blackwell Ultra: Система GB300 NVL72 продемонструвала прискорення до 1.6x у навчанні та до 2.77x в інференсі відносно попередника GB200 NVL72, а програмні оптимізації додали ще 1.3x приросту [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
Огляд результатів MLPerf Training v6.0
Останній раунд галузевих бенчмарків MLPerf Training v6.0 від консорціуму MLCommons завершився беззаперечним тріумфом платформи NVIDIA Blackwell. Компанія не лише здобула перемогу в усіх семи робочих навантаженнях, але й стала єдиним учасником, який подав результати для кожного з тестів. Це підкреслює тотальне лідерство NVIDIA як у швидкості навчання в масштабі, так і в продуктивності на один графічний процесор .
Головною інновацією цього раунду стала поява нових бенчмарків, заснованих на архітектурі суміші експертів (Mixture of Experts, MoE). Це відображає реальний зсув індустрії в бік більш ефективних та потужних моделей, таких як DeepSeek-V3.
Нові бенчмарки MoE: DeepSeek-V3 та GPT-OSS-20B
MLCommons запровадила два нових тести для попереднього навчання великих мовних моделей, що використовують архітектуру MoE :
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 "Шторм на ринку ШІ: Як NVIDIA та CoreWeave зруйнували попередні рекорди швидкості навчання в MLPerf v6.0"?
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3].
What are the key points to validate first?
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3]. Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
What should I do next in practice?
Рекорд CoreWeave: Навчання DeepSeek V3 671B завершено всього за 2.02 хвилини на кластері з 8,192 NVIDIA GB300 NVL72 GPU — це був найбільший кластер GB300 у цьому раунді [8].
Шторм на ринку ШІ: Як NVIDIA та CoreWeave зруйнували попередні рекорди швидкості навчання в MLPerf v6.0
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3]. Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
ОпублікувавВідредаговано за допомогою DeepSeek-V4-ProЗображення створено за допомогою GPT Image 1.5
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3].
Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
Рекорд CoreWeave: Навчання DeepSeek V3 671B завершено всього за 2.02 хвилини на кластері з 8,192 NVIDIA GB300 NVL72 GPU — це був найбільший кластер GB300 у цьому раунді [8].
Прорив Blackwell Ultra: Система GB300 NVL72 продемонструвала прискорення до 1.6x у навчанні та до 2.77x в інференсі відносно попередника GB200 NVL72, а програмні оптимізації додали ще 1.3x приросту [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
Огляд результатів MLPerf Training v6.0
Останній раунд галузевих бенчмарків MLPerf Training v6.0 від консорціуму MLCommons завершився беззаперечним тріумфом платформи NVIDIA Blackwell. Компанія не лише здобула перемогу в усіх семи робочих навантаженнях, але й стала єдиним учасником, який подав результати для кожного з тестів. Це підкреслює тотальне лідерство NVIDIA як у швидкості навчання в масштабі, так і в продуктивності на один графічний процесор .
Головною інновацією цього раунду стала поява нових бенчмарків, заснованих на архітектурі суміші експертів (Mixture of Experts, MoE). Це відображає реальний зсув індустрії в бік більш ефективних та потужних моделей, таких як DeepSeek-V3.
Нові бенчмарки MoE: DeepSeek-V3 та GPT-OSS-20B
MLCommons запровадила два нових тести для попереднього навчання великих мовних моделей, що використовують архітектуру MoE :
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 "Шторм на ринку ШІ: Як NVIDIA та CoreWeave зруйнували попередні рекорди швидкості навчання в MLPerf v6.0"?
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3].
What are the key points to validate first?
Тотальне домінування: NVIDIA виграла всі сім бенчмарків MLPerf Training v6.0, показавши найшвидший час тренування та найвищу продуктивність на прискорювач [3]. Нові випробування MoE: MLCommons додала бенчмарки DeepSeek V3 (671 млрд параметрів) та GPT OSS 20B.
What should I do next in practice?
Рекорд CoreWeave: Навчання DeepSeek V3 671B завершено всього за 2.02 хвилини на кластері з 8,192 NVIDIA GB300 NVL72 GPU — це був найбільший кластер GB300 у цьому раунді [8].
DeepSeek-V3: Модель-гігант із 671 мільярдом загальних параметрів, з яких 37 мільярдів активуються для кожного токена. Вона використовує передові методи, як-от Multi-head Latent Attention (MLA), сегментацію на 160 маршрутизованих експертів та вільне від допоміжних втрат балансування навантаження .
GPT-OSS-20B: Менша, але також складна MoE-модель, що дозволяє оцінювати ефективність тренування в іншому масштабі .
Примітно, що NVIDIA виявилася єдиною платформою, яка спромоглася подати результати для обох цих вимогливих тестів. Це стало можливим завдяки системі GB300 NVL72 та глибоко оптимізованому програмному стеку, включно з використанням CUDA graphs та передових методів маршрутизації MoE .
Рекорд CoreWeave: DeepSeek-V3 за 2 хвилини на хмарі
Найбільш вражаючий практичний результат продемонструвала компанія CoreWeave, яка є провідним хмарним провайдером. Вони змогли виконати повне тренування моделі DeepSeek-V3 671B всього за 2.02 хвилини.
Цей рекорд було встановлено на величезному кластері з 8,192 графічних процесорів NVIDIA GB300 NVL72, розподілених на 2,048 вузлах. Це була найбільша конфігурація GB300, заявлена в цьому раунді бенчмарку . Ключовим фактором успіху CoreWeave стала повна стекова оптимізація всіх рівнів інфраструктури: від мережевої взаємодії та оркестрації до систем зберігання даних . Це демонструє, що хмарні платформи вже готові до навчання найскладніших моделей безпосередньо у продакшн-середовищі.
Порівняння продуктивності: GB300 NVL72 проти GB200 NVL72
Результати MLPerf v6.0 чітко показують еволюційний стрибок від GB200 NVL72 до нового GB300 NVL72 (Blackwell Ultra). Нова система отримала більші бюджети пам'яті та енергоспоживання, що дозволило значно підвищити локалізацію моделі та пропускну здатність .
Ось як це виражається в цифрах:
Швидкість навчання: У порівнянних конфігураціях GB300 NVL72 забезпечує до 1.6x швидше навчання, ніж GB200 NVL72 .
Швидкість інференсу: У завданнях інференсу перевага ще більша — до 2.77x прискорення у токенах за секунду порівняно з попередником .
Окремо варто відзначити швидкість програмних інновацій NVIDIA. Лише за три місяці інженерам вдалося підвищити пропускну здатність тренування DeepSeek-V3 на 1.3x на тому ж самому обладнанні. Це стало можливим завдяки таким програмним рішенням, як повноітераційні графи CUDA (full-iteration CUDA graphs) та вдосконалення на рівні компілятора ядра CuTe DSL .
Нові рекорди швидкості в різних завданнях
Масштабованість платформи Blackwell дозволила встановити рекордний час навчання і для інших, більш традиційних, завдань. Партнери NVIDIA масштабували кластери до 8,192 GPU, використовуючи Ethernet-комутатори Spectrum-X з адаптивною маршрутизацією для ефективної обробки «вибухового» трафіку all-to-all, характерного для MoE-моделей .
Ось деякі з рекордних показників часу навчання, досягнуті на платформі NVIDIA :
Ці результати свідчать про те, що NVIDIA створила не просто окремий потужний чип, а цілісну платформу, здатну з рекордною швидкістю вирішувати будь-які завдання ШІ-тренування.
Ширша картина: рекордна участь та поява AMD
Раунд MLPerf Training v6.0 став рекордним за кількістю учасників: 24 організації подали результати на 95 різних системах із використанням 13 різних апаратних прискорювачів.
Це свідчить про зростаючу технічну різноманітність. Зокрема, свій прорив продемонструвала компанія AMD з прискорювачем Instinct MI355X. Використовуючи новий формат точності MXFP4, платформа AMD показала конкурентну продуктивність проти NVIDIA B200. У завданні тонкого налаштування Llama 2-70B відставання від NVIDIA склало лише 5%, а в попередньому навчанні Llama 3.1-8B — 6% . Це робить AMD серйозним претендентом на ринку, хоча тотальне лідерство NVIDIA в усіх категоріях поки що залишається незаперечним.
Висновок
Результати MLPerf Training v6.0 окреслюють новий рубіж у розвитку ШІ-інфраструктури. Поява бенчмарків на основі DeepSeek-V3 знаменує перехід індустрії до надвеликих та ефективних MoE-моделей. NVIDIA використала цей момент, щоб продемонструвати не просто перевагу свого обладнання, а силу повної вертикальної інтеграції — від кремнію Blackwell Ultra до програмного стеку CUDA. Рекорд CoreWeave з навчання 671-мільярдної моделі за 2 хвилини на хмарі доводить, що ера масового та швидкого створення найскладніших ШІ-моделей вже настала.
DeepSeek-V3: Модель-гігант із 671 мільярдом загальних параметрів, з яких 37 мільярдів активуються для кожного токена. Вона використовує передові методи, як-от Multi-head Latent Attention (MLA), сегментацію на 160 маршрутизованих експертів та вільне від допоміжних втрат балансування навантаження .
GPT-OSS-20B: Менша, але також складна MoE-модель, що дозволяє оцінювати ефективність тренування в іншому масштабі .
Примітно, що NVIDIA виявилася єдиною платформою, яка спромоглася подати результати для обох цих вимогливих тестів. Це стало можливим завдяки системі GB300 NVL72 та глибоко оптимізованому програмному стеку, включно з використанням CUDA graphs та передових методів маршрутизації MoE .
Рекорд CoreWeave: DeepSeek-V3 за 2 хвилини на хмарі
Найбільш вражаючий практичний результат продемонструвала компанія CoreWeave, яка є провідним хмарним провайдером. Вони змогли виконати повне тренування моделі DeepSeek-V3 671B всього за 2.02 хвилини.
Цей рекорд було встановлено на величезному кластері з 8,192 графічних процесорів NVIDIA GB300 NVL72, розподілених на 2,048 вузлах. Це була найбільша конфігурація GB300, заявлена в цьому раунді бенчмарку . Ключовим фактором успіху CoreWeave стала повна стекова оптимізація всіх рівнів інфраструктури: від мережевої взаємодії та оркестрації до систем зберігання даних . Це демонструє, що хмарні платформи вже готові до навчання найскладніших моделей безпосередньо у продакшн-середовищі.
Порівняння продуктивності: GB300 NVL72 проти GB200 NVL72
Результати MLPerf v6.0 чітко показують еволюційний стрибок від GB200 NVL72 до нового GB300 NVL72 (Blackwell Ultra). Нова система отримала більші бюджети пам'яті та енергоспоживання, що дозволило значно підвищити локалізацію моделі та пропускну здатність .
Ось як це виражається в цифрах:
Швидкість навчання: У порівнянних конфігураціях GB300 NVL72 забезпечує до 1.6x швидше навчання, ніж GB200 NVL72 .
Швидкість інференсу: У завданнях інференсу перевага ще більша — до 2.77x прискорення у токенах за секунду порівняно з попередником .
Окремо варто відзначити швидкість програмних інновацій NVIDIA. Лише за три місяці інженерам вдалося підвищити пропускну здатність тренування DeepSeek-V3 на 1.3x на тому ж самому обладнанні. Це стало можливим завдяки таким програмним рішенням, як повноітераційні графи CUDA (full-iteration CUDA graphs) та вдосконалення на рівні компілятора ядра CuTe DSL .
Нові рекорди швидкості в різних завданнях
Масштабованість платформи Blackwell дозволила встановити рекордний час навчання і для інших, більш традиційних, завдань. Партнери NVIDIA масштабували кластери до 8,192 GPU, використовуючи Ethernet-комутатори Spectrum-X з адаптивною маршрутизацією для ефективної обробки «вибухового» трафіку all-to-all, характерного для MoE-моделей .
Ось деякі з рекордних показників часу навчання, досягнуті на платформі NVIDIA :
Ці результати свідчать про те, що NVIDIA створила не просто окремий потужний чип, а цілісну платформу, здатну з рекордною швидкістю вирішувати будь-які завдання ШІ-тренування.
Ширша картина: рекордна участь та поява AMD
Раунд MLPerf Training v6.0 став рекордним за кількістю учасників: 24 організації подали результати на 95 різних системах із використанням 13 різних апаратних прискорювачів.
Це свідчить про зростаючу технічну різноманітність. Зокрема, свій прорив продемонструвала компанія AMD з прискорювачем Instinct MI355X. Використовуючи новий формат точності MXFP4, платформа AMD показала конкурентну продуктивність проти NVIDIA B200. У завданні тонкого налаштування Llama 2-70B відставання від NVIDIA склало лише 5%, а в попередньому навчанні Llama 3.1-8B — 6% . Це робить AMD серйозним претендентом на ринку, хоча тотальне лідерство NVIDIA в усіх категоріях поки що залишається незаперечним.
Висновок
Результати MLPerf Training v6.0 окреслюють новий рубіж у розвитку ШІ-інфраструктури. Поява бенчмарків на основі DeepSeek-V3 знаменує перехід індустрії до надвеликих та ефективних MoE-моделей. NVIDIA використала цей момент, щоб продемонструвати не просто перевагу свого обладнання, а силу повної вертикальної інтеграції — від кремнію Blackwell Ultra до програмного стеку CUDA. Рекорд CoreWeave з навчання 671-мільярдної моделі за 2 хвилини на хмарі доводить, що ера масового та швидкого створення найскладніших ШІ-моделей вже настала.
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® ...