Έως 3,7 φορές υψηλότερη απόδοση στις…

NVIDIA Vera Rubin: Έως 3,7 φορές υψηλότερη απόδοση στις νέες δοκιμές MLPerf

Το σύστημα NVIDIA Vera Rubin NVL72 έκανε την πρώτη του εμφάνιση στις δοκιμές MLPerf Inference v6.1, με αποτελέσματα προεπισκόπησης που δείχνουν σημαντική αύξηση της υπολογιστικής απόδοσης. Η NVIDIA παρουσίασε τις μετρήσεις στις 16 Σεπτεμβρίου 2026, ενώ η νέα ανάλυση του MLCommons, στις 17 Σεπτεμβρίου, αποδίδει τις μεγαλύτερες βελτιώσεις στα συγκεκριμένα νέα συστήματα.

Σύμφωνα με τη NVIDIA, το Vera Rubin NVL72 πέτυχε έως 3,7 φορές υψηλότερο ρυθμό επεξεργασίας σε σχέση με το GB300 NVL72 στο μοντέλο Qwen3-VL. Η σύγκριση καλύπτει διαφορετικά σενάρια, μεταξύ αυτών την επεξεργασία εκτός σύνδεσης και τη διαδραστική χρήση. Στο DeepSeek-R1, η εταιρεία αναφέρει αύξηση έως 2,5 φορές. Οι αριθμοί αφορούν συγκεκριμένες δοκιμές και δεν αποτελούν γενική υπόσχεση αντίστοιχης επιτάχυνσης για κάθε εφαρμογή.

Η διάκριση της προεπισκόπησης είναι ουσιώδης: πρόκειται για πρώιμα αποτελέσματα του νέου συστήματος και όχι για απόδειξη ότι κάθε οργανισμός μπορεί ήδη να αποκτήσει την ίδια διαμόρφωση. Επίσης, ο ρυθμός επεξεργασίας δεν είναι ταυτόσημος με την ταχύτητα μιας μεμονωμένης απάντησης. Μια σωστή αξιολόγηση χρειάζεται να εξετάζει ξεχωριστά τον φόρτο, τις απαιτήσεις απόκρισης και τους όρους της σύγκρισης.

Το MLCommons καταγράφει στον νέο κύκλο συμμετοχή 30 φορέων και συνολικά 120 συστήματα στις κατηγορίες κέντρων δεδομένων και υπολογισμού στην περιφέρεια του δικτύου. Η έκδοση περιλαμβάνει νέες δοκιμές για ολοκληρωμένες διαδικασίες ανάκτησης και παραγωγής απαντήσεων, καθώς και για πράκτορες τεχνητής νοημοσύνης σε συσκευές περιφερειακού υπολογισμού. Έτσι, η εικόνα δεν περιορίζεται πλέον μόνο στην εκτέλεση ενός μοντέλου απομονωμένα.

Οι υπεύθυνοι της ομάδας εργασίας επισημαίνουν ότι οι μεγαλύτερες βελτιώσεις στα μοντέλα όρασης και γλώσσας και στο DeepSeek-R1 συνδέονται με την εμφάνιση του Vera Rubin στην κατηγορία Preview. Σε άλλες δοκιμές, οι κορυφαίες επιδόσεις προήλθαν από το ίδιο υλικό με τον προηγούμενο κύκλο, με τις διαφορές να αποδίδονται περισσότερο σε βελτιώσεις λογισμικού και αλγορίθμων.

Για όσους σχεδιάζουν υποδομές AI, το πρακτικό συμπέρασμα είναι ότι ο επιταχυντής από μόνος του δεν αρκεί για να περιγράψει την απόδοση. Το μέγεθος του συστήματος, το λογισμικό και ο τρόπος εξυπηρέτησης των αιτημάτων επηρεάζουν το αποτέλεσμα. Η σύγκριση διαφορετικών εγκαταστάσεων χρειάζεται επομένως προσοχή, ιδιαίτερα όταν συνυπάρχουν συστήματα διαφορετικής κλίμακας.

Οι νέες μετρήσεις αποτελούν χρήσιμο σημείο αναφοράς για την εξέλιξη του hardware τεχνητής νοημοσύνης. Δεν υποκαθιστούν, όμως, μια δοκιμή με τα πραγματικά δεδομένα και τις εφαρμογές κάθε επιχείρησης. Η αξιοποίηση των δημοσιευμένων αποτελεσμάτων έχει μεγαλύτερη αξία όταν συνοδεύεται από σαφή έλεγχο του μοντέλου, του σεναρίου και της κατηγορίας στην οποία υποβλήθηκε κάθε σύστημα.

Ενδεικτική εικόνα δημιουργημένη με τεχνητή νοημοσύνη, όχι φωτογραφία του πραγματικού συστήματος.

Πηγή: MLCommons — ανάλυση MLPerf Inference v6.1, 17 Σεπτεμβρίου 2026 και NVIDIA — επίσημη παρουσίαση αποτελεσμάτων, 16 Σεπτεμβρίου 2026.