基础设施与工程 · 深度报道

Google公布MLPerf训练成绩:8192枚Ironwood TPU 1.70分钟达标,智能体后训练首次纳入测试

Google公布MLPerf Training v6.1成绩:8192枚Ironwood TPU在DeepSeek-V3预训练测试中用时1.70分钟,640枚芯片在新增智能体强化学习测试中用时18.02分钟。上述成绩衡量的是特定配置下整套系统从指定检查点达到目标的耗时,不能直接用于推算单芯片性能或实际业务成本。

AIFluxNews AIFlux 编辑2026 年 11 月 17 日阅读约 5 分钟
Google公布MLPerf训练成绩:8192枚Ironwood TPU 1.70分钟达标,智能体后训练首次纳入测试

Google公布MLPerf Training v6.1成绩:8192枚Ironwood TPU在DeepSeek-V3预训练测试中用时1.70分钟,640枚芯片在新增智能体强化学习测试中用时18.02分钟。上述成绩衡量的是特定配置下整套系统从指定检查点达到目标的耗时,不能直接用于推算单芯片性能或实际业务成本。

Google Cloud于2026年11月16日公布了MLPerf Training v6.1的一组AI训练基准成绩:在规定的DeepSeek-V3预训练测试中,8192枚第七代Ironwood TPU从参考检查点运行至目标质量,用时1.70分钟;在另一项面向智能体强化学习的测试中,640枚Ironwood TPU也在18.02分钟内达到目标。

不过,这组数据反映的是芯片、网络与软件协同构成的整套训练系统,在特定基准下从指定检查点收敛的耗时,而非从零训练完整模型的周期,也难以直接换算为单一芯片在全业务场景中的通用性能排名。

预训练之外,测试开始关注智能体后训练

Google的公告称,公司在这一轮提交了10项成绩,覆盖Ironwood TPU和英伟达Grace Blackwell GPU。其中,8192枚Ironwood TPU的1.70分钟成绩对应DeepSeek-V3预训练。Google同时披露,其系统在4096枚芯片规模下实现了96%的扩展效率,不过这一数据仅对应4096枚芯片的测试配置,并不能直接外推至8192枚芯片的集群成绩。

在新增的Qwen3.5-397B智能体强化学习测试中,Google称640枚Ironwood TPU在18.02分钟内达到目标,所报告的编码基准分数为0.765,超过0.69的达标线。据公司介绍,该测试配置通过让代码生成与模型学习并行,将训练芯片的等待时间压低至3%以下——当然,这一利用率表现源自其特定测试配置,未必适用于所有类型的强化学习任务。

根据MLCommons公布的参测机构补充说明,这640枚芯片中,128枚组成训练切片,其余用于128个各含4枚芯片的采样引擎。Google称,其软件栈将训练、采样和权重同步分离并异步配合。智能体后训练不只是让模型生成文本:系统还要生成候选行为、获取反馈并更新模型,因此如何协调这些环节,会直接影响加速器等待时间和整个任务的完成速度。

MLCommons的结果公告显示,Qwen3.5-397B是本轮新增的大规模语言模型后训练工作负载,使用组相对策略优化(GRPO),并涉及工具调用等软件工程任务;新增的另一项基准则是推荐系统测试DLRMv4-HSTU。MLCommons也强调,MLPerf Training评估的是模型、软件与硬件协同运作的整套系统,而非孤立衡量单颗芯片的算力。

TPU与GPU成绩不能简单相除

Google还提交了使用英伟达GPU的结果:在Google Cloud A4X Max实例上,256枚GB300 GPU在DeepSeek-V3基准中用31.96分钟达到目标质量;公司另有五项A4X和A4X Max智能体强化学习测试提交。

不过,将31.96分钟与1.70分钟直接相除来推算TPU相对于GPU的单芯片速度优势,并不成立。两组成绩在加速器规模与系统配置上本就存在差异,预训练与强化学习也分属不同的工作负载类型。对基础设施采购方而言,完成时间只是评估维度之一,资源规模、软件栈适配度、实际业务负载、价格及能耗同样关键——而本次公告披露的数据,尚不足以支撑对通用性价比或实际业务成本的完整测算。

此外,大规模训练的工程难点还在于设备协调与故障处理。尽管AIFluxNews此前对Cloud Pathways的报道曾介绍Google在GKE上提供的跨TPU切片编排能力及故障恢复条件,但该报道聚焦的是商用运行时服务本身,既无法证明本次MLPerf基准提交调用了该服务,也不能据此推算此次测试的性能收益。

如何理解这一轮结果

MLCommons称,本轮共有24家机构提交153个系统、产生250项结果,其中57个系统采用云部署;这也是Ironwood和英伟达Rubin世代GPU首次出现在MLPerf Training结果中。在相同测试规则下,更广泛的参测阵容有助于用户横向观察不同系统的表现,但在具体对比时,仍需逐一核对模型、数值精度、系统配置与加速器规模。

对开发者与基础设施采购方而言,本轮测试的意义不仅在于更大规模的芯片集群刷新了耗时纪录,更在于智能体后训练终于有了可公开比对的基准标尺。不过,基准成绩只能作为缩小选型范围的参考依据,最终仍需回归自身模型、长稳运行表现与真实成本的实测验证。

不错过任何一条 AI 大事

订阅 AIFlux 早报,每天 3 分钟看懂产业动态。