MTT S5000 具身 AI 測試：曲線接近主流 GPU，不等於全流程一樣快

摩爾線程在 2026 年 9 月公布 MTT S5000 的具身 AI 測試結果，涵蓋強化學習訓練及實體機械人操作。對機械人團隊而言，重點不只是單項成績亮眼，而是這套軟硬件能否把訓練、圖像渲染、物理模擬和策略評估一併跑順。現有數字顯示了特定實作的成果，並非與其他 GPU 比較全流程效能的統一基準測試。411

訓練曲線接近，代表甚麼？

在 RLinf 框架的 WoVR 工作負載中，測試使用 248 個並行環境，並固定訓練設定及隨機種子。S5000 與一款國際主流 GPU 的逐步訓練曲線，相關系數達 r=0.976；報道亦指，兩者訓練所得策略在 LIBERO-Spatial 評估中的成功率相近。這反映兩次訓練的變化走勢接近，不能據此推斷完成訓練所需時間相同。410

軟件支援同樣值得留意：據報 RLinf 已支援摩爾線程的 MUSA 後端；由 0.3 版起，其官方持續整合流程（CI，即程式碼合併前的自動檢查）會在 MTT S5000 上進行測試。這有助檢查程式碼能否持續在該平台運行，但不是效能保證。4

每步快了約四分之一，是跟誰比？

摩爾線程表示，它將圖像處理由主機移至 GPU、合併去噪循環中的數值檢查，並把頻繁執行路徑上的 Python 純量改為裝置張量。在所報告的設定中，每步耗時由 2.549 秒降至 1.888 秒，減少約 26%；GPU 閒置率由 18.5% 降至 3.1%。這是同一流程優化前後的比較，不是 S5000 對另一款 GPU 的速度測試。4

公司另稱，在 GEMM（矩陣乘法）及注意力機制的算子級測試中，S5000 表現為國際主流 GPU 的 1.6 至 2 倍。單一算子跑得快，不能直接換算成完整訓練或機械人開發流程的速度。4

真機 92% 成功率，適用範圍有多大？

在一項以 π0.5 為基礎、使用雙臂機械人進行裝配的應用中，摩爾線程報告真機成功率由約 20% 升至 92%，精細操作耗時縮短 39.5%。這是該任務與實作的結果，不應當作 S5000 執行所有機械人任務的成功率。4

採購時，更有用的問題是：團隊自己的工作負載，能否在同一平台上順利完成訓練、渲染、物理模擬及策略評估？摩爾線程描述的方案涵蓋多個環節，但已公布的成績未能獨立證明整個開發循環的吞吐量、成本或可靠性。決策前宜索取可重現的測試設定、重複的真機試驗，並以自己的任務作端到端比較。411