Últimas noticias
Crear una escena USD en Houdini Solaris: guía de flujos por capasGPT-6 Astra contribuye a una demostración sobre un problema de la física de partículasGuía de Level Streaming en Unreal Engine: gestionar grandes escenas arquitectónicasNVIDIA Vera: plataforma HPC con 192 CPU para simulaciones científicasLimpieza de mallas en Blender: guía de Voxel Remesh y retopologíaPremio Ambasz–MoMA para Friendship Centre: arquitectura en armonía con la naturaleza¿Cómo gestionar escenas, cámaras y ajustes de render con Blender Python?Transferir escenas a Unreal Engine con Datasmith: guía de visualización arquitectónicaDesplegar UV en Blender: mapas UV limpios y controlados con costurasNVIDIA informa de su liderazgo de Vera Rubin en las pruebas MLPerf
HardwareNVIDIANVIDIA Vera Rubin

NVIDIA informa de su liderazgo de Vera Rubin en las pruebas MLPerf

NVIDIA informó que Vera Rubin presentó resultados en todas las pruebas de MLPerf Training v6.1 y destacó en los benchmarks de agentes de MLPerf Endpoints. La comparación con Kimi K3 aún espera validación.

Modelo a escala arquitectónica visible detrás del vidrio, junto a racks de servidoresImagen IA
Imagen ilustrativa generada con IA.Imagen: 3dsınıfı / FCA AI

En resumen

  1. NVIDIA anunció que Vera Rubin fue la única plataforma que presentó resultados en todas las pruebas de la ronda MLPerf Training v6.1.
  2. Según la compañía, Vera Rubin NVL72 alcanzó una eficiencia cercana al 97 % al escalar de 256 a 1.024 GPU en la prueba DeepSeek-V3.
  3. NVIDIA informó que la productividad por vatio en la prueba Kimi K3 superó en más de 10 veces la de GB300 NVL72; el resultado es provisional y espera validación.
  4. La compañía señaló que Vera Rubin NVL72 ofrece hasta el doble de rendimiento por GPU que GB300 NVL72.

NVIDIA publicó los resultados de Vera Rubin en MLPerf Training v6.1 y MLPerf Endpoints el 16 de noviembre de 2026. La compañía afirmó que Vera Rubin destacó en pruebas de entrenamiento y posentrenamiento, así como en inferencia de agentes de inteligencia artificial. Según el anuncio de NVIDIA, fue el único sistema que presentó resultados en todas las pruebas de MLPerf Training de esta ronda; también obtuvo resultados líderes en todos los benchmarks de agentes de MLPerf Endpoints.

¿Qué resultados se compartieron en las pruebas de entrenamiento?

MLPerf Training mide la rapidez con que los sistemas pueden entrenar distintos modelos de inteligencia artificial hasta alcanzar el nivel de precisión objetivo. Las pruebas compartidas por NVIDIA abarcan modelos de lenguaje grandes, generación de imágenes, sistemas de recomendación y posentrenamiento con aprendizaje por refuerzo. La compañía afirma que Vera Rubin NVL72 alcanza hasta el doble de rendimiento por GPU que un sistema NVIDIA GB300 NVL72 optimizado. Esta afirmación del fabricante se basa en los primeros resultados; el anuncio no demuestra que se obtenga la misma mejora en todas las cargas de trabajo.

NVIDIA indicó que, en la prueba DeepSeek-V3, Vera Rubin NVL72 escaló de 256 a 1.024 GPU y logró una eficiencia cercana al 97 %. Según las mediciones de la compañía, al cuadruplicar el número de GPU el tiempo de entrenamiento bajó de 16 minutos a unos cuatro minutos. NVIDIA atribuye la coordinación de los sistemas en el entrenamiento a gran escala a la interconexión de escalado NVLink y a las redes Quantum-X800 InfiniBand y Spectrum-X Ethernet; señala que los resultados se obtuvieron con software optimizado.

¿Es definitivo el resultado de más de 10 veces en la prueba de agentes?

MLPerf Endpoints evalúa tareas de agentes, como programación y flujos de trabajo empresariales, así como si se completan correctamente. NVIDIA informó que, en el modelo Kimi K3, Vera Rubin NVL72 superó en más de 10 veces a GB300 NVL72 en productividad por vatio. La comparación de la compañía toma como referencia la productividad por vatio con un umbral común de interacción de al menos 50 tokens por segundo por usuario.

Esta cifra no es definitiva ni ha sido validada de forma independiente. NVIDIA señala que el resultado de Kimi K3 anunciado para Vera Rubin está pendiente de validación por parte de MLCommons y podría cambiar durante la revisión por pares. Por tanto, hasta que finalice la validación, la proporción de rendimiento debe considerarse un resultado provisional de la compañía. Al comparar distintos sistemas también deben tenerse en cuenta las condiciones de prueba y métricas como la velocidad de respuesta.

Efectos en los flujos de trabajo de arquitectura y visualización

El anuncio no incluye pruebas de software de arquitectura, render 3D ni herramientas específicas de visualización. Por ello, no se puede interpretar que los resultados reduzcan directamente los tiempos de render de Vera Rubin o aceleren una aplicación de diseño concreta. Su posible relevancia indirecta tiene que ver con la ejecución más eficiente de cargas de trabajo de entrenamiento y de agentes en la infraestructura que sustenta los servicios de inteligencia artificial utilizados por los equipos de diseño.

Para los estudios que evalúan incorporar agentes de inteligencia artificial a sus flujos de trabajo, el anuncio es relevante como indicador del avance del rendimiento de la infraestructura; sin embargo, no aporta información que confirme que servicios específicos utilicen Vera Rubin. NVIDIA tampoco ha anunciado el precio del producto, su fecha de lanzamiento ni su compatibilidad con software de arquitectura. Por ello, al evaluar una inversión en hardware o un cambio en el flujo de trabajo, no basta con considerar los resultados de las pruebas comparativas del fabricante: también hay que revisar su estado de validación y las condiciones de uso pertinentes.

Fuentes

1 fuente
NB
NVIDIA Blogblogs.nvidia.com/blog/mlperf-training-endpoints-vera-rubin
Resumen

No republicamos los textos de las fuentes; las citas breves van marcadas y el resto es resumen y comentario propios.

La opinión de 3dsınıfı
3dValoración del editor

Los resultados de Vera Rubin muestran que, en la infraestructura de inteligencia artificial, además del rendimiento de entrenamiento, también cobra importancia la productividad de los agentes por unidad de energía. Para los estudios de arquitectura, esto no supone hoy una promesa directa sobre los tiempos de render ni sobre el rendimiento del software de diseño; es un avance que podría repercutir en la infraestructura de los servicios de inteligencia artificial que utilizan.

Para los equipos de Turquía, el acceso real, el costo total, las licencias y la compatibilidad con el software utilizado serán factores decisivos en la compra. Como el resultado de Kimi K3 aún no se ha validado, no es prudente tomar las cifras anunciadas como una expectativa de rendimiento definitiva. Hasta que se aclaren las condiciones comerciales y la validación independiente, lo más cauteloso es seguir de cerca el anuncio.

Preguntas frecuentes

¿Qué resultado obtuvo NVIDIA Vera Rubin en MLPerf Training v6.1?

NVIDIA anunció que Vera Rubin fue la única plataforma que presentó resultados en todas las pruebas de MLPerf Training de esta ronda. Las pruebas abarcan modelos de lenguaje grandes, generación de imágenes, sistemas de recomendación y posentrenamiento con aprendizaje por refuerzo.

¿Se validó el resultado de más de 10 veces de Vera Rubin en la prueba Kimi K3?

No. NVIDIA señala que el resultado de Vera Rubin es provisional y que está pendiente de validación por parte de MLCommons y de revisión por pares.

¿Vera Rubin mejora el rendimiento de la visualización arquitectónica?

Las pruebas del anuncio no miden software de arquitectura ni el rendimiento del render 3D. No se puede deducir de estos resultados que haya mejoras en un flujo de trabajo arquitectónico específico.

Los comentarios y el foro están en turco.Únete al debate
+

Noticias relacionadas