谷歌云在 MLPerf Training v6.1 第一轮基准测试里放出第七代 Ironwood TPU 的成绩,8192 颗 Ironwood TPU 组成集群跑 DeepSeek-V3 671B 预训练,只用 1.7 分钟就达到基准要求的模型收敛质量,这套测试里扩展到 4096 颗芯片时,分布式扩展效率做到 96%,很多人容易混淆,96% 是 4096 卡规模的扩展效率,不是 8192 卡的数值,整套系统依托谷歌 AI Hypercomputer 架构,芯片、互联网络、编译软件协同优化,同时谷歌还提交了业内第一批智能体强化学习 MLPerf 测试结果,640 颗 Ironwood 跑 Qwen3.5-397B 编码 RL 任务,芯片空闲等待时间低于 3%,同轮测试谷歌也一并提交了英伟达 GB300 GPU 的对比成绩,用来给客户做算力选型参考。
Ironwood TPU 本次 MLPerf 核心成绩清单
- 芯片型号:第七代 Ironwood TPU
- 测试模型:DeepSeek-V3 671B 大模型预训练
- 2048 芯片集群:5.03 分钟达标,作为效率基准
- 4096 芯片集群:2.62 分钟达标,扩展效率 96%
- 8192 芯片集群:1.70 分钟(约 102 秒)达标
- 强化学习分项:640 颗 Ironwood 跑 Qwen3.5-397B 编码智能体任务,18.02 分钟完成
- 底层架构:谷歌 AI Hypercomputer,自研高速互联 + 液冷 + 配套编译栈
不同规模集群性能对比表
| 芯片数量 | 完成时间 | 扩展效率 | 备注 |
|---|---|---|---|
| 2048 颗 | 5.03 分钟 | 基准 100% | 参考基线 |
| 4096 颗 | 2.62 分钟 | 96% | 本次公布 96% 效率对应规模 |
| 8192 颗 | 1.70 分钟 | 随规模继续小幅下降 | 超大规模集群 |
高扩展效率背后的技术点
- 定制化高速片间互联,降低多芯片之间通信延迟,减少同步等待损耗
- 配套自研编译器、分布式训练框架,优化大模型分片、梯度同步逻辑
- AI Hypercomputer 整机柜一体化设计,供电、散热、网络统一规划
- 支持 FP8 精度,在满足收敛要求的前提下降低通信数据量
- 针对 MoE 混合专家模型做专门调度优化,这也是 DeepSeek-V3 这类模型的刚需
本次测试的边界说明
- MLPerf 是封闭分区测试,统一数据集、统一收敛标准,属于受控环境跑分,不等于线上业务实时表现
- 96% 扩展效率是从 2048 片放大到 4096 片的测算结果,不是 8192 片集群的效率
- 8192 片集群虽然速度更快,但随着芯片数量继续翻倍,通信开销抬升,扩展效率会回落
- 本次同时提交 GPU 成绩,只是横向对比,不是直接判定 TPU 强于 GPU
【相关 FAQ】
问题 1:谷歌公布 TPU 训练基准,8192 芯片集群 96% 效率,这个 96% 是 8192 颗芯片的效率吗?
回答 1:谷歌公布 TPU 训练基准里,96% 扩展效率对应的是 4096 颗 Ironwood TPU,8192 颗集群只是跑完 DeepSeek-V3 用时 1.7 分钟,8192 规模的扩展效率低于 96%,很多报道容易把这两个数据混在一起。
问题 2:谷歌 Ironwood TPU 在这次 MLPerf 训练基准里跑的是什么模型?
回答 2:谷歌这次 TPU 训练基准主项是 DeepSeek-V3 671B 大模型预训练,另外还有新增的智能体强化学习项目,用 640 颗 Ironwood 跑 Qwen3.5-397B 编码任务。
问题 3:TPU 训练基准里的扩展效率 96% 是什么意思,高扩展效率有什么好处?
回答 3:扩展效率代表芯片数量翻倍之后算力能不能接近翻倍输出,96% 属于很高水平,代表芯片增加时通信损耗很小;高扩展效率意味着做大算力集群的时候,投入更多芯片能稳定拿到接近线性的提速,适合超大模型预训练。
问题 4:Ironwood TPU 是谷歌第几代 TPU,这次 MLPerf 基准还有哪些新内容?
回答 4:Ironwood 属于谷歌第七代 TPU,本轮 MLPerf Training v6.1 新增了智能体强化学习赛道,谷歌也是第一批提交这个新项目成绩的厂商,同时还提交了英伟达 GB300 GPU 的对比跑分。
【参考资料】
[2026-11-17](谷歌第七代 Ironwood TPU MLPerf 成绩出炉,8192 芯片 102 秒跑完 DeepSeek-V3)新浪科技
[2026-11-17](MLPerf v6.1:谷歌 Ironwood TPU 跑出 96% 扩展效率)IT 之家
[2026-11-16](Google Cloud 发布 Ironwood TPU MLPerf 训练基准结果)谷歌云官方博客
[2026-11-16](MLPerf Training v6.1 首轮结果公布,新增智能体强化学习赛道)MLCommons 官网
[2026-11-16](Ironwood TPU 8192 集群预训练跑分解读)AI.info
免责声明
本文内容来自谷歌云官方博文、MLCommons 以及科技媒体公开报道整理,TPU 训练基准成绩为 MLPerf 封闭分区受控测试结果,线上业务、不同模型、不同负载下的实际效率会发生变化,跑分不代表实际业务收益,不构成算力采购、云服务选型建议。
本文来自作者[纳流解码]投稿,不代表江南网立场,如若转载,请注明出处:https://bbs.jnwb.net/zxun/202611/3834.html
评论列表(4条)
我是江南网的签约作者“纳流解码”!
希望本篇文章《谷歌公布 Ironwood TPU 训练基准,8192 芯片集群跑出 96% 扩展效率》能对你有所帮助!
本站[江南网]内容主要涵盖:互联网行业的追踪与探索
本文概览:谷歌云在 MLPerf Training v6 1 第一轮基准测试里放出第七代 Ironwood TPU 的成绩,8192 颗 Ironwood TPU 组成集群跑 DeepSeek