谷歌云正式对外发布第七代 Ironwood TPU 在 MLPerf Training v6.1 封闭赛道的 10 项基准测试结果,这次提交不光有大模型预训练项目,还拿下 MLPerf 里第一个智能体强化学习基准成绩,整套系统依托谷歌 AI 超算架构,芯片、网络、软件栈协同设计,分布式扩展效率表现亮眼。本次 DeepSeek-V3 671B 大模型预训练测试里,8192 颗 Ironwood TPU 只需要 1.70 分钟就能达到基准要求的模型精度,4096 颗芯片配置下扩展效率做到 96%;在 Qwen3.5-397B 智能体强化学习项目,640 颗 Ironwood TPU 用时 18.02 分钟达标,芯片空闲等待时间低于 3%,减少了生成推理和训练交替带来的算力浪费;谷歌同时也提交了同平台下 NVIDIA GB300 的对照成绩,方便行业横向对比,下面把核心数据、测试项目、对比情况整理清楚。
一、Ironwood TPU MLPerf 核心测试数据清单
- 测试版本:MLPerf Training v6.1 Closed Division(封闭赛道)
- 硬件:第七代 Ironwood TPU(TPU v7),搭载谷歌 AI Hypercomputer 架构
- DeepSeek-V3 671B 预训练
- 2048 颗 TPU:5.03 分钟
- 4096 颗 TPU:2.62 分钟,扩展效率 96%
- 8192 颗 TPU:1.70 分钟(约 102 秒)
- Qwen3.5-397B 智能体强化学习
- 640 颗 TPU:18.02 分钟达标,最终得分 0.765,高于目标 0.69
- 算力空闲占比<3%,生成与训练并行执行
- 提交总量:一共 10 组结果,包含 TPU 和 GB300 GPU 对照数据
二、本次 MLPerf 测试两大重点赛道说明
- 大模型预训练赛道:主流千亿参数基础模型训练,考验大规模集群通信、算力吞吐,是行业最常用来对比训练芯片的项目。
- 智能体强化学习赛道:这是 MLPerf 新增的基准,专门针对代码智能体、RL 训练场景,难点在于一边生成样本、一边更新模型,很容易出现算力空转,谷歌本次重点优化了流水线调度。
三、Ironwood TPU 与 GB300 同项目对比简表
| 硬件组合 | 芯片数量 | 模型 | 达标耗时 | 特点 |
|---|---|---|---|---|
| Ironwood TPU v7 | 8192 | DeepSeek-V3 671B | 1.70 分钟 | 扩展效率高,通信协同优化强 |
| NVIDIA GB300 | 256 | DeepSeek-V3 671B | 31.96 分钟 | 单卡算力强,集群规模更小 |
| Ironwood TPU v7 | 640 | Qwen3.5-397B RL | 18.02 分钟 | 首个 RL 智能体基准提交,低空闲率 |
四、支撑性能的底层设计要点
- 软硬协同:芯片、互联网络、JAX/TPU 软件栈联合优化,不是单纯堆算力。
- 流水线并行:强化学习任务里,推理采样和模型训练并行跑,减少算力等待。
- 可扩展 Mesh 互联:TPU 本身是二维 Mesh 网络,大规模集群下通信损耗控制更好。
- 云原生部署:整套架构在谷歌云 AI 超算上对外提供服务,客户可以直接调用该集群。
【常见问题】
问题 1:谷歌 TPU 发布 MLPerf 训练性能基准,这次提交的是哪一代 TPU?
回答 1:谷歌 TPU 发布 MLPerf 训练性能基准,本次提交的是第七代 Ironwood TPU,也就是 TPU v7,运行在谷歌云 AI Hypercomputer 架构上。
问题 2:谷歌 TPU 发布 MLPerf 训练性能基准,DeepSeek-V3 测试 8192 颗 Ironwood 用时多久?
回答 2:谷歌 TPU 发布 MLPerf 训练性能基准,8192 颗 Ironwood TPU 跑 DeepSeek-V3 671B 预训练,1.70 分钟(约 102 秒)达到基准要求精度,4096 颗芯片扩展效率 96%。
问题 3:谷歌 TPU 发布 MLPerf 训练性能基准,智能体强化学习这个基准有什么特殊意义?
回答 3:谷歌 TPU 发布 MLPerf 训练性能基准,这是 MLPerf 里面第一个面向智能体强化学习的基准,专门测代码智能体的 RL 训练,谷歌提交的 640 颗 Ironwood 配置,芯片空闲等待时间低于 3%。
问题 4:谷歌 TPU 发布 MLPerf 训练性能基准,MLPerf 封闭赛道是什么意思?
回答 4:谷歌 TPU 发布 MLPerf 训练性能基准,封闭赛道要求大家用统一模型、数据集、收敛标准,不允许私自改动模型结构,成绩横向对比更公平,也是行业主流参考的基准赛道。
【参考资料】
[2026-11-17](MLPerf Training v6.1 结果出炉,谷歌 Ironwood TPU 提交强化学习基准)36 氪
[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 Cloud 官方博客
[2026-11-16](谷歌云公布第七代 Ironwood TPU 的 10 项 MLPerf 测试结果)财联社
[2026-11-17](MLPerf Training v6.1 Adds Rubin GPUs and TPUv7)TSN 媒体
【免责声明】
本文为谷歌云 MLPerf 公开基准测试资讯整理,测试成绩仅对应 MLPerf v6.1 封闭赛道特定模型、特定集群配置;实际业务训练速度受模型、数据、框架、集群规模影响,基准成绩不代表所有场景下的表现,本文不构成芯片采购、云服务选型建议。
