您的位置首页 >人工智能 >

谷歌第七代 Ironwood TPU8192 颗芯片约 102 秒完成 DeepSeek-V3 671B 预训练基准测试

在 MLPerf Training v6.1 首轮基准测试里,谷歌提交了第七代 Ironwood TPU 的测试成绩,8192 颗 Ironwood 芯片组成的集群,跑完 DeepSeek-V3 671B 模型预训练基准任务,用时大约 102 秒(1.7 分钟),达到基准规定的模型质量门槛,这个成绩是 MLCommons 官方基准测试结果,不是完整从零训练完整个大模型的全部耗时。Ironwood 是谷歌自研第七代 TPU,依托谷歌云 AI 超算架构,芯片、网络、配套软件做了协同设计,谷歌还同步放出了 2048 颗、4096 颗芯片两组不同规模集群的测试数据,4096 颗芯片配置下扩展效率达到 96%,可以看出这款 TPU 在大模型集群横向扩容的时候,算力损耗控制得不错。同轮测试里还有英伟达 GB300 集群参与 DeepSeek-V3 项目对比,不同厂商硬件的集群规模、组网方案有区别,只能作为基准跑分参考,不能直接等同于实际业务里的训练成本和速度。

一、DeepSeek-V3 基准测试多规格成绩表

Ironwood 芯片数量达标耗时换算秒数备注
2048 颗5.03 分钟约 302 秒基准组
4096 颗2.62 分钟约 157 秒扩展效率 96%
8192 颗1.70 分钟约 102 秒本次出圈成绩

二、Ironwood(第七代 TPU)基础信息

  • 产品定位:谷歌第七代自研 TPU,代号 Ironwood,主打超大模型训练、推理
  • 集群上限:单 SuperPod 最高可扩展至 9216 颗芯片
  • 配套架构:谷歌云 AI Hypercomputer,搭配 Virgo 高速互联网络
  • 测试归属:MLPerf Training v6.1 封闭赛道,MLCommons 统一评测标准

三、重点区分:基准测试≠完整全量训练

  1. MLPerf 的预训练任务,目标是达到预设质量阈值,不是跑完全部训练轮次
  2. DeepSeek-V3 真实完整训练需要海量 token、更长周期,102 秒只是标准化跑分任务
  3. 跑分用来横向对比不同加速硬件的集群算力、通信、调度能力,不代表商用训练耗时

四、同轮谷歌其他测试项目清单

  • 智能体强化学习任务:640 颗 Ironwood 跑 Qwen3.5-397B,用时 18.02 分钟达标
  • 同时提交英伟达 Grace Blackwell GPU 的多组对照成绩,一共 10 项测试结果
  • 其中 4 项使用 Ironwood TPU,剩下 6 项使用英伟达 GPU

五、这个成绩的行业意义

  • 证明 Ironwood 在 MoE 大模型(DeepSeek-V3 为混合专家模型)上集群扩展能力很强
  • 谷歌 TPU 在 MLPerf 前沿大模型赛道持续追赶 GPU 方案,给算力市场增加备选路线
  • 高扩展效率代表大规模集群通信损耗低,对未来万卡级大模型训练有参考价值

【常见问题】

问题 1:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,102 秒是完整训练完 DeepSeek-V3 的时间吗?

回答 1:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,102 秒只是 MLPerf 基准测试里达到预设质量门槛的耗时,不是 DeepSeek-V3 完整全量训练的总时长。

问题 2:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,这次跑 102 秒成绩用了多少颗 Ironwood 芯片?

回答 2:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,跑出 102 秒成绩的是 8192 颗 Ironwood 第七代 TPU 组成的集群。

问题 3:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,4096 颗 Ironwood 集群的扩展效率是多少?

回答 3:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,4096 颗 Ironwood 集群跑 DeepSeek-V3 基准测试,官方给出的扩展效率为 96%。

问题 4:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,这个测试来自哪个评测项目?

回答 4:谷歌 Ironwood TPU 约 102 秒完成 DeepSeek-V3 预训练,该成绩来自 MLCommons 的 MLPerf Training v6.1 首轮封闭赛道基准测试。

【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](Google TPU and GPU performance: MLPerf v6.1 results)Google 官方博客

[2026-11-16](MLPerf Training v6.1 首轮结果发布,Ironwood、GB300 同台跑分)机器之心

[2026-11-16](MLPerf v6.1 DeepSeek-V3 赛道各家硬件成绩汇总)MLCommons 官网

【免责声明】

本文仅为谷歌 Ironwood TPU 在 MLPerf 基准测试跑出 DeepSeek-V3 预训练 102 秒成绩的资讯整理,不构成算力采购、大模型训练方案选型建议。MLPerf 跑分是标准化受控环境测试,和真实业务数据集、训练框架、调度环境存在差异,实际训练效果、成本、稳定性以厂商实测为准。

今日大家都在搜的词: