您的位置首页 >科技要闻 >

谷歌云公布第七代 Ironwood TPU MLPerf v6.1 十项测试结果8192 颗芯片预训练达标用时 102 秒

谷歌云在 MLPerf Training v6.1 基准测试第一轮中,共提交 10 项结果,覆盖第七代 Ironwood TPU 与英伟达 Grace Blackwell GPU 两类加速器,测试场景包含前沿大模型预训练,以及 MLPerf 首次纳入的智能体强化学习(Agentic RL)评测。其中 Ironwood 共占 4 项:DeepSeek-V3 671B 预训练分别用 2048、4096、8192 颗芯片三组规模提交,640 颗芯片完成 Qwen3.5-397B 强化学习测试;另外 6 项为谷歌云 A4X、A4X Max 实例上的英伟达 GB200、GB300 GPU 提交。成绩显示,8192 颗 Ironwood 达到预训练目标质量用时 1.70 分钟(约 102 秒),扩展至 4096 颗时扩展效率约 96%;640 颗 Ironwood 完成代码类强化学习达标用时 18.02 分钟,训练芯片空闲等待时间低于 3%。整套测试基于谷歌云 AI Hypercomputer 架构,体现芯片、互联网络与开源软件的协同设计能力。

一、10 项提交结果总览

结果编号平台 / 加速器芯片规模测试模型 / 场景
6.1-0017Ironwood TPU640 颗Qwen3.5-397B 强化学习(RL)
6.1-0018Ironwood TPU2,048 颗DeepSeek-V3 预训练
6.1-0019Ironwood TPU4,096 颗DeepSeek-V3 预训练
6.1-0020Ironwood TPU8,192 颗DeepSeek-V3 预训练
6.1-0021A4X / GB200 GPU56 颗强化学习(RL)
6.1-0022A4X Max / GB300 GPU56 颗强化学习(RL)
6.1-0023A4X / GB200 GPU64 颗强化学习(RL)
6.1-0024A4X Max / GB300 GPU64 颗强化学习(RL)
6.1-0025A4X / GB200 GPU256 颗强化学习(RL)
6.1-0026A4X Max / GB300 GPU256 颗DeepSeek-V3 预训练

分布说明: 10 项结果并非全部来自 Ironwood,其中 4 项为谷歌自研第七代 Ironwood TPU,另外 6 项采用英伟达 Grace Blackwell 系列 GPU;测试分为前沿预训练与智能体强化学习两大类。

二、Ironwood 预训练成绩(DeepSeek-V3 671B)

Ironwood 芯片数量达到目标质量用时折合秒数有效模型算力利用率(EMFU)
2,048 颗5.03 分钟约 302 秒56%
4,096 颗2.62 分钟约 157 秒54%
8,192 颗1.70 分钟约 102 秒42%

关键指标解读:

  • 扩展效率:从 2048 颗扩到 4096 颗,扩展效率约 96%;从 4096 颗扩到 8192 颗,扩展效率约 77%。
  • 集群规模:8192 颗运行在单一芯片间互联(ICI)域内,是谷歌迄今规模最大的 TPU 测试提交。
  • 软件栈:采用 MaxText 混合精度实现 ——FP8 用于专家与注意力投影矩阵乘,BF16 用于核心注意力,FP32 保留主权重;批拆分调度让一半的专家通信与另一半的计算重叠进行。

三、Ironwood 智能体强化学习成绩(Qwen3.5-397B)

  • 硬件配置:640 颗 Ironwood,由 128 芯片(4×4×8)训练切片和 128 个 4 芯片采样引擎组成。
  • 达标用时:18.02 分钟达到代码基准目标准确率,实测准确率 0.765,高于 0.69 的目标线。
  • 等待占比:代码生成与学习同步进行,训练芯片等待时间低于 3%。
  • RL 技术栈:面向长周期智能体任务从零搭建的异步解耦强化学习栈,组合 MaxText 训练、带 tpu-inference 的 vLLM 高吞吐采样、GKE 智能体沙箱隔离,以及 TPU-sync 权重同步机制。

四、英伟达 GPU 侧提交情况

  • 实例平台:谷歌云 A4X 与 A4X Max 实例,加速器为 GB200 NVL72、GB300 NVL72 系统。
  • 调度与存储:使用英伟达公开 FP8 配方,通过 Cluster Director(Slurm)调度,Managed Lustre 存储,跨多域经 RoCE 网络互联。
  • 代表成绩:256 颗 GB200 GPU 完成强化学习测试用时 21.03 分钟;256 颗 GB300 GPU 完成 DeepSeek-V3 预训练达标用时 31.96 分钟。
  • 定位:这 5 项 A4X / A4X Max 智能体 RL 提交,与 Ironwood 的 RL 结果形成同轮对照。

五、读榜时需要注意的口径

  • 测试口径:MLPerf 计时从官方参考 checkpoint 开始,训练到目标收敛标准为止,不等于从零完整训练一个 671B 模型。
  • 环境限定:成绩为标准化基准、经过专项优化条件下的结果,不直接等同于任意自定义模型或生产业务负载的实际表现。
  • 规模差异:不同提交的加速器数量、模型任务不同,跨平台对比时需先看芯片规模与测试任务是否一致。
  • 同轮参考:本轮其他厂商公开提交中,10240 颗 GB300 集群 DeepSeek-V3 达标用时 1.38 分钟;8192 颗 Ironwood 与同规模 GB300 配置的对比,应结合各自集群规模与测试条件综合查看。

综合来看,谷歌云这次公布的第七代 Ironwood TPU 十项 MLPerf v6.1 测试结果,集中展示了自研芯片在大模型预训练扩展效率和智能体强化学习吞吐上的表现:8192 颗芯片 102 秒达标预训练、4096 颗规模扩展效率 96%,RL 场景芯片等待占比控制在 3% 以内;同时 6 项 GPU 提交保留了英伟达平台的对照数据。在 AI Hypercomputer 架构和软硬件协同设计的支撑下,Ironwood 的大规模训练与智能体任务能力获得了标准化基准的进一步验证。

【常见问题】

问题 1:谷歌云这次公布的第七代 Ironwood TPU 十项测试结果,是在哪项基准测试中提交的?

回答 1:这十项结果来自 MLPerf Training v6.1 基准测试第一轮,由谷歌云于 2026 年 11 月 16 日发布;其中 4 项为第七代 Ironwood TPU,另外 6 项为英伟达 GB200、GB300 GPU,场景覆盖前沿预训练和 MLPerf 首次纳入的智能体强化学习测试。

问题 2:谷歌云第七代 Ironwood TPU 在 DeepSeek-V3 预训练测试中表现如何?

回答 2:DeepSeek-V3 671B 预训练测试中,Ironwood 分别以 2048、4096、8192 颗芯片提交:用时 5.03 分钟、2.62 分钟、1.70 分钟(约 102 秒)达标;扩展至 4096 颗时扩展效率约 96%,8192 颗为谷歌迄今最大规模 TPU 提交。

问题 3:十项测试结果里 Ironwood 除了预训练还测了什么?成绩怎样?

回答 3:除三组 DeepSeek-V3 预训练外,Ironwood 还以 640 颗芯片完成 Qwen3.5-397B 智能体强化学习测试,18.02 分钟达标(准确率 0.765,目标 0.69);代码生成与学习同步进行,训练芯片等待时间低于 3%,其余 6 项为 A4X/A4X Max 上的英伟达 GPU 提交。

问题 4:MLPerf v6.1 上的 Ironwood TPU 测试成绩,能不能直接等同于实际生产训练速度?

回答 4:不能直接划等号。MLPerf 计时从官方参考 checkpoint 到目标收敛标准,是标准化、专项优化环境下的基准结果;实际业务还受数据管线、网络延迟、模型架构等因素影响,规划算力时应把基准成绩作为参考之一,结合自身负载验证。

【参考资料】

  • [2026-11-17](谷歌 Ironwood 交卷:DeepSeek-V3 预训练测试仅用 102 秒)IT 之家
  • [2026-11-16](New AI training performance benchmarks for Google TPUs)The Keyword(Google 官方博客)
  • [2026-11-16](Supplemental Results Discussion for MLPerf Training v6.1)MLCommons
  • [2026-11-16](Google Cloud MLPerf Training v6.1 Benchmarks Explained)RayLabs
  • [2026-11-16](MLPerf Training v6.1: NVIDIA skaliert bis 10.240 GPUs und Google hält Schritt)Hardwareluxx
  • [2026-11-16](MLPerf Training v6.1: NVIDIA масштабирует обучение до 10 240 GPU, Google сокращает отставание)Hardwareluxx Russia

【免责声明】

本文基于谷歌云官方博客、MLCommons 公开材料及媒体报道整理,基准成绩受测试环境、模型配置与优化条件限制,不代表所有场景下的实际性能;文中数据以 MLPerf v6.1 官方公布结果为准,本文不构成采购或投资建议,据此决策风险自担。

今日大家都在搜的词: