---
title: "MLPerf Training v6.1: 250 υποβολές, συστήματα έως 10.240 GPU και Vera Rubin έως 2x ανά GPU έναντι GB300"
url: https://aibenchmark.gr/news/mlperf-training-v6-1-250-ypovoles-systimata-eos-10-240-gpu-kai-vera-rubin-eos/
language: el
published: 2026-11-17T22:21:48.399Z
updated: 2026-11-17T22:21:48.404Z
site: "AI Benchmark"
section: "Benchmarks"
---

# MLPerf Training v6.1: 250 υποβολές, συστήματα έως 10.240 GPU και Vera Rubin έως 2x ανά GPU έναντι GB300

Η MLCommons δημοσίευσε τον γύρο v6.1 με δύο νέα benchmarks και μεγαλύτερα συστήματα. Η NVIDIA αναφέρει ότι το Vera Rubin NVL72 φτάνει έως 2x την απόδοση ανά GPU του GB300 NVL72.

> Γράφτηκε με τεχνητή νοημοσύνη από τις πηγές που αναφέρονται παρακάτω. Συντακτική ευθύνη: Konstantinos Perros. Πώς γράφουμε: https://aibenchmark.gr/how-we-write/

## Βασικά στοιχεία

- Ο γύρος MLPerf Training v6.1 περιλαμβάνει 250 υποβολές από 25 οργανισμούς, έναντι 229 υποβολών από 24 οργανισμούς στον v6.0. [1]
- Το μεγαλύτερο σύστημα έφτασε τις 10.240 GPU, από 8.192 στον v6.0, και τα συστήματα με δύο ή περισσότερους κόμβους αποτελούν πλέον το 76% (117 από 153). [1] [2]
- Στο DeepSeek-V3 με 1.024 GPU, η NVIDIA αναφέρει χρόνο εκπαίδευσης 4,14 λεπτά για το Vera Rubin NVL72 και 8,03 λεπτά για το GB300 NVL72. [2]
- Η MLCommons υπολογίζει γεωμετρικό μέσο κέρδους 1,49 στα τέσσερα benchmarks που έμειναν αμετάβλητα από τον v6.0, με τον δείκτη να μην είναι επίσημο αποτέλεσμα. [1]
- Στο ξεχωριστό MLPerf Endpoints v1.0, τα προσωρινά αποτελέσματα του Vera Rubin NVL72 δείχνουν πάνω από 10x διεκπεραιωτική ικανότητα ανά kW έναντι του GB300 NVL72 στο Kimi K3. [3]

## Τι προστέθηκε και τι αποσύρθηκε στον γύρο v6.1

Ο γύρος MLPerf Training v6.1 της MLCommons, με επαληθευμένα αποτελέσματα της κατηγορίας Closed που δημοσιεύθηκαν στις 16 Νοεμβρίου 2026, περιλαμβάνει 250 υποβολές από 25 οργανισμούς. Στον v6.0 ήταν 229 υποβολές από 24. Προστέθηκαν δύο benchmarks. Το πρώτο είναι το Qwen3.5-397B GRPO, φόρτος αγεντικής εκπαίδευσης με ενισχυτική μάθηση (reinforcement learning), όπου ένα μοντέλο 397 δισ. παραμέτρων μαθαίνει να επισκευάζει πραγματικά έργα λογισμικού. Το δεύτερο είναι το DLRMv4-HSTU, ένα γενετικό μοντέλο συστάσεων. Το πρώτο έτρεξαν επτά οργανισμοί με 29 υποβολές και το δεύτερο οκτώ με 20, και η MLCommons επισημαίνει ότι οι αριθμοί πρώτου γύρου αντανακλούν εν μέρει το στοιχείο της καινοτομίας.

Αποσύρθηκαν δύο benchmarks. Το Llama 3.1 405B, πυκνό μοντέλο προεκπαίδευσης, έφυγε μετά από τρεις γύρους, επειδή η MLCommons θεωρεί ότι τα μεγάλα πυκνά μοντέλα δεν εκπροσωπούν πια την προεκπαίδευση σε μεγάλη κλίμακα, που έχει στραφεί σε μοντέλα mixture-of-experts. Τη θέση αυτή καλύπτουν τα DeepSeek-V3 και Qwen3.5-397B. Το DLRM-DCNv2 αποσύρθηκε μετά από επτά γύρους και αντικαταστάθηκε από το DLRMv4 (HSTU).

Η κλίμακα αυξήθηκε. Το μεγαλύτερο σύστημα Closed έφτασε τις 10.240 GPU, από 8.192 στον v6.0, με τα GB300 NVL72 της NVIDIA και GB200 NVL72 της Azure να εκπαιδεύουν το DeepSeek-V3. Το 76% των συστημάτων (117 από 153) χρησιμοποίησε δύο ή περισσότερους κόμβους, έναντι 61% (72 από 118) στον v6.0. Η διάμεση τιμή επιταχυντών ανά αποτέλεσμα Closed ήταν 8 σε κάθε γύρο από τον v4.0 έως τον v6.0 και έγινε 32. Στον γύρο εμφανίζονται 12 προϊόντα επιταχυντών, με το Ironwood της Google και το Rubin της NVIDIA να κάνουν το ντεμπούτο τους ως Available συστήματα.

Η MLCommons δίνει και έναν δείκτη προόδου, που η ίδια χαρακτηρίζει ανεπίσημο και παράγωγο των αποτελεσμάτων. Στα τέσσερα benchmarks που πέρασαν αμετάβλητα από τον v6.0 στον v6.1, το γεωμετρικό μέσο των κερδών του ταχύτερου αποτελέσματος είναι 1,49. Τα κέρδη είναι άνισα: το FLUX.1 βελτιώθηκε αισθητά μέσα σε περίπου μισό χρόνο, ενώ το μικρότερο Llama 3.1 8B βελτιώθηκε πολύ λιγότερο.

## Τα αποτελέσματα του Vera Rubin NVL72 σύμφωνα με τη NVIDIA

Τα παρακάτω στοιχεία προέρχονται από το τεχνικό blog της NVIDIA, δηλαδή από τον κατασκευαστή για το δικό του υλικό, και όχι από ανεξάρτητη αξιολόγηση. Η εταιρεία αναφέρει ότι στο ντεμπούτο του το Vera Rubin NVL72 πέτυχε τον ταχύτερο χρόνο εκπαίδευσης σε έξι από τα επτά benchmarks, με έως 2x την απόδοση ενός βελτιστοποιημένου GB300 NVL72. Στο έβδομο, το DeepSeek-V3 671B, ο απόλυτα ταχύτερος χρόνος του γύρου ήρθε από σύμπλεγμα 10.240 GPU GB300 NVL72, με 1,38 λεπτά. Η NVIDIA προσθέτει ότι οι πλατφόρμες της ήταν οι μόνες που υπέβαλαν και τα επτά benchmarks.

Στο DeepSeek-V3, μοντέλο mixture-of-experts 671 δισ. παραμέτρων, το Vera Rubin NVL72 εκπαιδεύτηκε σε 4,14 λεπτά με 1.024 GPU σε 16 racks. Το GB300 NVL72 χρειάστηκε 8,03 λεπτά στην ίδια διάταξη. Στο Qwen3.5 397B GRPO το Vera Rubin πέτυχε 10,44 λεπτά στις 1.024 GPU, έναντι 13,78 λεπτών του GB300. Με backend vLLM αντί για TensorRT-LLM ο χρόνος ήταν 10,94 λεπτά. Για το DeepSeek-V3, η εταιρεία αναφέρει επίσης απόδοση κλιμάκωσης πάνω από 97% κατά τη μετάβαση από 256 σε 1.024 GPU.

Στα υπόλοιπα benchmarks ο λόγος ανά GPU κυμαίνεται από 1,4x έως 1,6x, όπως φαίνεται στον πίνακα.

*Απόδοση ανά GPU του Vera Rubin NVL72 σε σχέση με το GB300 NVL72, MLPerf Training v6.1, Closed division, όπως τη δίνει η NVIDIA*

| Benchmark | Αριθμός GPU | Vera Rubin NVL72 έναντι GB300 NVL72 |
| --- | --- | --- |
| DeepSeek-V3 671B | 1.024 | 2x |
| Qwen3.5 397B GRPO (RL) | 64 | 1.4x |
| gpt-oss 20B | 64 | 1.6x |
| Llama 2 70B LoRA | 72 | 1.5x |
| Llama 3.1 8B | 72 | 1.6x |
| FLUX.1 | 72 | 1.5x |
| DLRMv4 | 128 | 1.4x |

## Όρια, άλλοι συμμετέχοντες και το σχετικό Endpoints v1.0

Η MLCommons σημειώνει ότι οι οργανισμοί χρησιμοποίησαν τον γύρο για διαφορετικούς σκοπούς. Οι κατασκευαστές chips (AMD, Google, NVIDIA) παρουσίασαν νέο πυρίτιο. Οι κατασκευαστές διακομιστών ανέδειξαν διαφορετικές επιλογές διαμόρφωσης και αντιπροσωπεύουν 38 συστήματα και το 33% των υποβολών. Οι πάροχοι cloud έδειξαν ανταγωνιστικά αποτελέσματα Closed, με το 28% των υποβολών να τρέχει σε συστήματα διαθέσιμα στο cloud. Η Google έτρεξε το DeepSeek-V3 σε 8.192 chips TPU7x (Ironwood), και η Cisco το έτρεξε σε 64 GPU B300, το μικρότερο σύστημα που εκτέλεσε το benchmark στους γύρους v6.0 και v6.1. Η TTA της Κορέας υπέβαλε τη μοναδική μέτρηση ενέργειας του γύρου.

Ξεχωριστά, η NVIDIA παρουσίασε αποτελέσματα του MLPerf Endpoints v1.0, που αξιολογεί inference μέσω API endpoints με φόρτους προγραμματισμού και επιχειρησιακών ροών. Στο Kimi K3 (Standardized division, κατηγορία Available), το Vera Rubin NVL72 με 32 επιταχυντές έδωσε 41.414,2 tokens/sec συνολικά με 50,4 tokens/sec ανά χρήστη και ισχύ 100,89 kW. Το GB300 NVL72 με 48 επιταχυντές έδωσε 2.210,4 tokens/sec με 56,2 tokens/sec ανά χρήστη και 60 kW. Από αυτά η εταιρεία συμπεραίνει πάνω από 10x διεκπεραιωτική ικανότητα ανά kW προβλεπόμενης ισχύος, με κοινό ελάχιστο όριο 50 tokens/sec ανά χρήστη. Τα αποτελέσματα του Vera Rubin είναι προσωρινά, εκκρεμεί η επαλήθευσή τους από την MLCommons και μπορεί να αλλάξουν, ενώ του GB300 είναι επαληθευμένα. Στα DeepSeek-V4.1-Flash και Qwen3.6-35B-A3B οι αντίστοιχοι λόγοι ανά kW είναι 9x και 5x.

## Ερωτήσεις και απαντήσεις

**Ποια benchmarks προστέθηκαν στο MLPerf Training v6.1;**

Προστέθηκαν το Qwen3.5-397B GRPO, για αγεντική ενισχυτική μάθηση, και το DLRMv4-HSTU, γενετικό μοντέλο συστάσεων. Αποσύρθηκαν τα Llama 3.1 405B και DLRM-DCNv2.

**Είναι ανεξάρτητα τα αποτελέσματα του Vera Rubin στο MLPerf Training v6.1;**

Οι συγκρίσεις Vera Rubin και GB300 προέρχονται από το blog της NVIDIA και αφορούν δικά της συστήματα, με βάση υποβολές στο MLPerf. Η MLCommons δημοσιεύει τα επαληθευμένα αποτελέσματα Closed.

## Πηγές

1. MLCommons: [MLPerf Training v6.1: Bigger Clusters, Broader Hardware, and the Rise of Software-Driven Gains](https://mlcommons.org/2026/11/mlperf-training-v6-1-insights)
2. NVIDIA Technical Blog: [NVIDIA Vera Rubin NVL72 Achieves up to 2x Blackwell Ultra Performance in MLPerf Training v6.1](https://developer.nvidia.com/blog/nvidia-vera-rubin-nvl72-achieves-up-to-2x-blackwell-ultra-performance-in-mlperf-training-v6-1)
3. NVIDIA Technical Blog: [NVIDIA Vera Rubin NVL72 Leads Agentic Inference Performance on MLPerf Endpoints v1.0](https://developer.nvidia.com/blog/nvidia-vera-rubin-nvl72-leads-agentic-inference-performance-on-mlperf-endpoints-v1-0)
