MTT S5000 у робототехніці: що доводять тести Moore Threads, а що — ні

У вересні 2026 року Moore Threads оприлюднила результати MTT S5000 для навчання роботів і випробування на фізичному роботі. Для команд, які обирають обчислювальну платформу, головне розрізняти схожість результатів навчання, прискорення окремого конвеєра та успішність конкретної роботизованої операції. Наведені компанією числа не складаються в єдиний незалежний тест швидкості проти інших GPU. 4

Криві навчання: близькі результати, але не доведена рівність швидкості

У навантаженні WoVR на платформі RLinf використали 248 паралельних середовищ, однакові налаштування навчання й той самий початковий стан генератора випадкових чисел. За цих умов покрокові криві MTT S5000 та поширеного міжнародного GPU мали кореляцію r=0,976. Також повідомлялося про близькі показники успішності навчених стратегій під час оцінювання LIBERO-Spatial. Кореляція описує, наскільки подібно змінювалися криві, а не скільки часу кожна система витратила на навчання. 410

Для розробників має значення й підтримка програмного середовища. За оприлюдненими даними, RLinf працює з програмним стеком MUSA, а починаючи з версії 0.3, автоматизовані перевірки на MTT S5000 входять до офіційного процесу безперервної інтеграції — перед внесенням змін до основної гілки коду. Це допомагає перевіряти сумісність нових змін, але саме по собі не підтверджує продуктивність у будь-якому робототехнічному проєкті. 4

Звідки взялося скорочення часу кроку на 26%

Moore Threads описала три зміни у власному конвеєрі: перенесення обробки зображень із центрального комп’ютера на GPU, об’єднання числових перевірок у циклі усунення шуму та заміну скалярних значень Python на тензори в пам’яті прискорювача на часто виконуваній ділянці коду. У виміряній конфігурації час одного кроку скоротився з 2 549 до 1 888 секунд — приблизно на 26%, а частка простою GPU зменшилася з 18,5% до 3,1%. Це порівняння конвеєра до і після оптимізації, а не тест швидкості MTT S5000 проти конкурентного GPU. 4

Окремо компанія заявила, що в тестах окремих обчислювальних операцій — множення матриць GEMM та механізму уваги attention — MTT S5000 показав продуктивність у 1,6–2 рази вищу, ніж поширені міжнародні GPU. Такий результат не означає прискорення в стільки ж разів для повного циклу навчання чи роботи робота. 4

Що показав дворукий робот

У завданні складання з двома роботизованими руками та циклом удосконалення стратегії на основі π0.5 заявлена частка успішних виконань зросла приблизно з 20% до 92%. Час на точні маніпуляції, за повідомленням, скоротився на 39,5%. Ці показники стосуються конкретного завдання й налаштувань, а не загальної успішності MTT S5000 у робототехніці. 4

Для потенційного покупця важливе ширше питання: чи зручно на одній платформі навчати модель, створювати зображення для симуляції, моделювати фізичні взаємодії та оцінювати стратегії. Moore Threads описує рішення для кількох таких етапів, однак опубліковані результати не є незалежним вимірюванням продуктивності всього процесу розробки. Перед закупівлею команді варто запросити відтворювані налаштування тестів, повторні випробування на фізичному роботі та порівняння повного циклу саме на своїх задачах. 411