В мире искусственного интеллекта скорость имеет решающее значение. Чем быстрее команда может обучить модель, протестировать гипотезу и итерировать результат, тем выше её шансы создать прорывное решение. Именно поэтому запуск архитектуры NVIDIA Vera Rubin в рамках теста MLPerf Training v6.1 стал не просто техническим достижением, а поворотным моментом для всей индустрии. Платформа Vera Rubin NVL72 дебютировала с впечатляющими результатами, показав fastest time to train (время до завершения обучения) на шести из семи бенчмарков. По сравнению с оптимизированной базовой линией NVIDIA GB300 NVL72 (архитектура Blackwell Ultra), Vera Rubin обеспечивает до 2x более высокую производительность на один GPU. Это не просто эволюционное улучшение — это качественный скачок, который меняет экономику разработки ИИ.
Особое внимание стоит уделить тому, что эти результаты достигнуты в условиях, когда ИИ-агенты берут на себя всё более сложные рабочие процессы. Сокращение времени обучения критически важно для быстрой итерации как самих моделей, так и агентов, которые ими управляются. MLPerf Training v6.1 стал первой площадкой, где архитектура Vera Rubin продемонстрировала зрелость своего программного стека CUDA. Платформа не только показала сырую вычислительную мощь, но и доказала свою способность эффективно масштабироваться, сохраняя эффективность выше 97% при расширении кластера с 256 до 1024 GPU. В этой статье мы подробно разберем, как именно Vera Rubin достигает таких показателей, какие технологии лежат в основе её успеха и что это значит для разработчиков и компаний, работающих с ИИ.

01Всеобъемлющая производительность: Анализ по бенчмаркам
Чтобы понять истинную мощь новой платформы, необходимо рассмотреть результаты не в общем, а в разрезе конкретных задач. MLPerf Training v6.1 включает в себя разнообразные модели: от больших языковых моделей (LLM) до диффузионных моделей для генерации изображений и рекомендательных систем. Такой подход позволяет оценить универсальность архитектуры Vera Rubin.
Самый простой способ оценить прогресс — сравнить производительность на один GPU для новой платформы и оптимизированной предыдущей генерации (GB300 NVL72). Паттерн здесь очевиден: чем сложнее модель и чем больше она требует коммуникаций между чипами, тем значительнее преимущество Vera Rubin. Для самых тяжелых нагрузок прирост достигает 2x, тогда как для остальных задач стабильно фиксируется на уровне 1.4x–1.6x. Это подтверждает, что архитектура эффективно работает как с плотными моделями (Dense), так и с моделями типа Mixture-of-Experts (MoE), а также с рекомендательными системами и диффузией.
DeepSeek-V3 671B: Двукратное ускорение на самой сложной задаче
Одним из самых показательных бенчмарков стал DeepSeek-V3 671B — модель с 671 миллиардами параметров, использующая архитектуру Mixture-of-Experts (MoE) без механизма "token-drop". Это, пожалуй, самая требовательная нагрузка во всем наборе тестов. В моделях типа MoE каждый шаг обучения превращается в серию коммуникаций "all-to-all" (все-ко-всем), где данные распределяются между различными "экспертами" внутри нейросети. Эффективность сети (fabric) здесь напрямую влияет на время обучения: если коммуникации тормозят, GPU простаивают.
Платформа Vera Rubin NVL72 смогла обучить эту гигантскую модель за 4.14 минуты, используя 1024 GPU, распределенных по 16 стойкам. Для сравнения, конфигурация GB300 NVL72 с тем же количеством GPU потребовала 8.03 минуты. Это почти двукратное ускорение на один GPU — самое большое поколение-к-поколению улучшение в данном раунде. Сокращение времени обучения вдвое означает, что команда исследователей может провести в два раза больше экспериментов за тот же квартал. А именно пропускная способность экспериментов (experiment throughput) является ключевым драйвером повышения качества моделей.
Важно отметить, что NVIDIA также продемонстрировала возможности масштабирования на еще более крупном уровне. Кластер GB300 NVL72, состоящий из 10 240 GPU (160 стойок), показал абсолютное лучшее время обучения — 1.38 минуты. Это демонстрирует, что платформа способна удерживать стабильность работы даже тогда, когда задача выходит за рамки одной стойки и требует координации сотен независимых доменов NVLink. Однако Vera Rubin доказала свою эффективность именно в рамках стандартного масштаба, показав, что она готова к массовому внедрению без необходимости строить экстремально огромные кластеры для достижения рекордов.

Qwen 3.5 397B GRPO: Лидерство в пост-обучении для агентов
MLPerf Training v6.1 представил новый, революционный бенчмарк: Qwen 3.5 397B GRPO. Это задача reinforcement learning (обучения с подкреплением) для пост-обучения больших языковых моделей. Пост-обучение стало ключевым дифференциатором для точности ИИ-агентов. Этот процесс требует непрерывного цикла: генерации ответов (rollouts), их оценки и обновления весов модели. Такая нагрузка вынуждает системы постоянно мигрировать огромные объемы весов между движками инференса и обучения, что является серьезным вызовом для архитектуры.
Vera Rubin NVL72 показала лучшее время для этого нового бенчмарка — 10.44 минуты на 1024 GPU, по сравнению с 13.78 минутами у GB300 NVL72. Но еще более впечатляющим является факт программного зрелости. Платформа успешно прошла тест с двумя различными бэкендами инференса: NVIDIA NeMo RL с TensorRT-LLM (10.44 минуты) и с vLLM (10.94 минуты). Способность запустить один и тот же сложный бенчмарк на разных программных стеках говорит о том, что экосистема NVIDIA готова к использованию различными разработчиками, предпочитающими разные инструменты. Это не просто железо, это зрелая программная платформа.
Обучение таких моделей "наблюдать, рассуждать и действовать" требует запуска каждого rollout в симулированной среде, где выполняются вызовы инструментов, код или проверка API. Поскольку управление этими симуляциями крайне затратно для процессора (CPU-bound), архитектура NVIDIA Vera CPU стала неотъемлемой частью системы. Она поддерживает более 22 500 одновременных сред RL в одной стойке с 256 CPU. Пока GPU занимаются генерацией токенов и обновлением весов, CPU работают в унисон, обеспечивая ускорители богатыми обратными связями, необходимыми для совершенствования рабочих процессов агентов.
02Сетевая инфраструктура: NVLink, Quantum-X и Spectrum-X
Каждый из приведенных выше результатов — это, в первую очередь, результат работы сети. Современное обучение ИИ требует, чтобы тысячи процессоров действовали как единое целое. NVIDIA решает эту задачу путем совместного проектирования (co-design) внутренней доменной области стойки и внешней кластерной сети.
Внутри стойки Vera Rubin NVL72 соединяет 72 GPU и 36 CPU через медный спин NVLink 6. Эта архитектура обеспечивает 3.6 ТБ/с на каждый GPU и 260 ТБ/с на всю стойку. Такой пропускной способности достаточно, чтобы вывести диспетчеризацию экспертов MoE из критического пути вычислений. За пределами стойки платформа масштабируется с помощью сетевых адаптеров ConnectX-9 SuperNIC, работающих поверх InfiniBand Quantum-X800 или Ethernet Spectrum-X. Для управления «взрывным» трафиком MoE обе сети используют адаптивную маршрутизацию и контроль перегрузок, чтобы скрыть коммуникации "all-to-all" за слоем вычислений.
Эта когерентная архитектура напрямую конвертируется в эффективность. На бенчмарке DeepSeek-V3 Vera Rubin NVL72 достигла эффективности масштабирования выше 97% при расширении с 256 до 1024 GPU (с 4 до 16 стоек). Это означает, что почти вся добавленная вычислительная мощность используется по назначению, а не теряется на ожидание данных. Благодаря тому, что архитектура NVL72 предоставляет согласованную доменную область из 72 GPU, разработчики видят предсказуемый скачок производительности с каждым новым поколением, не меняя свою операционную модель. Каждый цикл просто добавляет больше вычислений и пропускной способности в ту же самую надежную сеть.

03Непрерывная оптимизация ПО: Ускорение без апгрейда железа
Результаты Vera Rubin были получены с использованием программного стека NVIDIA AI, который получают клиенты: NVIDIA NeMo Framework 26.09 для бенчмарков предварительного обучения, NVIDIA NeMo RL для обучения с подкреплением и выпуски NVIDIA PyTorch для FLUX.1 и DLRMv4. Однако оптимизации не останавливаются после закрытия раунда тестов.
С момента завершения submissions для v6.1, NVIDIA повторно запустила несколько бенчмарков на том же оборудовании, но с более новой версией программного обеспечения. Эти результаты являются неофициальными (unverified), так как они не прошли проверку MLCommons, но они наглядно демонстрируют, как непрерывные оптимизации делают инфраструктуру NVIDIA высокопродуктивной, долговечной и универсальной. Например, для модели Llama 3.1 8B время обучения на Vera Rubin сократилось с 7.162 минуты (в официальном отчете v6.1) до 6.140 минуты в неофициальном перезапуске с новым софтом. Для модели gpt-oss 20B время упало с 11.213 минуты до 8.080 минуты. А для рекомендательной системы DLRMv4 время обучения сократилось с 2.829 минуты до 1.628 минуты — это почти двукратное улучшение только за счет обновления ПО!
Это и есть зрелость программного стека. Инфраструктура становится быстрее после того, как она отправлена клиенту. Улучшения продолжают поступать, продлевая продуктивную жизнь платформы и её потенциал для генерации дохода. Поскольку платформа CUDA высоко программируема, клиенты могут сами разблокировать дополнительную производительность. Например, лаборатория Thinking Machines Lab разработала рецепт обучения NVFP4 и пользовательские ядра для своей модели Inkling 2 Small на базе GB300 NVL72. Использование NVFP4 для прямых проходов MoE GEMM и MXFP8 для градиентов ускорило предварительное обучение и тонкую настройку на 8%, а обучение с подкреплением — на 20%, при минимальном влиянии на точность.

04Экосистема, готовая к запуску с первого дня
Дебют Vera Rubin в MLPerf Training v6.1 доказывает, что архитектура создана для немедленного глобального развертывания. 80% всех подач в закрытом дивизионе были выполнены на платформах NVIDIA от 20 организаций-партнеров. Системы Vera Rubin NVL72 уже доступны через партнеров по облачной инфраструктуре по всему миру. Это означает, что разработчики в России и других регионах могут получить доступ к этой мощности через локальных провайдеров облачных услуг, не дожидаясь появления "железа" в розничной продаже.
Важно отметить, что NVIDIA стала единственной компанией, подавшей результаты по всем семи бенчмаркам, причем Vera Rubin успешно завершила весь набор тестов с первого раза. Для разработчиков эта широта охвата важна не меньше, чем любые отдельные цифры. Это доказывает, что прирост производительности, унаследованный с первого дня, охватывает весь конвейер моделирования, всесторонне поддерживая всё — от крупномасштабного предварительного обучения до обучения с подкреплением, необходимого для современных ИИ-агентов.

05Что это значит на практике
Для инженеров по машинному обучению и CTO компаний, внедряющих ИИ, результаты MLPerf Training v6.1 с участием Vera Rubin NVL72 несут несколько практических выводов. Во-первых, время — это деньги. Двукратное ускорение на самых сложных моделях, таких как DeepSeek-V3, означает, что компании могут проводить вдвое больше экспериментов за тот же бюджет. Это напрямую влияет на скорость выхода на рынок новых продуктов и качество конечных моделей.
Во-вторых, зрелость программного стека NVIDIA снижает риски. Возможность запустить сложные задачи пост-обучения (как Qwen 3.5 GRPO) как с TensorRT-LLM, так и с vLLM, дает гибкость. Команды могут выбирать инструменты, которые лучше всего подходят для их существующего стека, не боясь, что новая архитектура потребует полного переписывания кода. Кроме того, непрерывные обновления ПО, которые ускоряют работу уже установленного оборудования, означают, что инвестиции в инфраструктуру NVIDIA имеют долгий срок окупаемости.
В-третьих, сетевая эффективность выше 97% при масштабировании до 1024 GPU говорит о том, что архитектура NVL72 готова к работе с крупными моделями без необходимости строить экстремально сложные и дорогие кластеры из десятков тысяч GPU для достижения высоких результатов. Это делает передовые технологии ИИ более доступными для среднего и крупного бизнеса. Для разработчиков из РФ это также означает, что доступ к таким мощностям через облачных партнеров становится все более реалистичным сценарием, позволяющим конкурировать на глобальном уровне в области разработки ИИ-агентов и больших языковых моделей.
В заключение, NVIDIA Vera Rubin NVL72 не просто обновляет линейку продуктов. Она устанавливает новый стандарт для индустрии, доказывая, что сочетание передового железа, когерентной сети и зрелого программного стека способно радикально сократить время от идеи до работающего ИИ-агента. Это фундамент для следующего поколения интеллектуальных систем.
Источник: NVIDIA Developer ↗
