Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

Lambda meldet schnelleres KI-Training mit NVIDIA-Blackwell-Ultra-GPUs

16. November 2026, 17:31Von der KI Nachrichten RedaktionQuelle: Lambda
Lambda meldet schnelleres KI-Training mit NVIDIA-Blackwell-Ultra-GPUs
Bild: Lambda

Lambda meldet eine Verbesserung um den Faktor 2,86 beim Training eines Mixture-of-Experts-Sprachmodells und um den Faktor 1,50 beim Training eines Bildmodells in der jüngsten MLPerf-Runde. Die Ergebnisse wurden mit 64 NVIDIA-Blackwell-Ultra-GPUs in einem einzelnen NVIDIA-GB300-NVL72-System erzielt.

Das Wichtigste in Kürze
  • Das GPT-OSS-20B-Training wurde mit 64 NVIDIA-Blackwell-Ultra-GPUs in 19,697 Minuten abgeschlossen.
  • Lambda meldet eine Verbesserung um den Faktor 2,86 gegenüber dem vorherigen Ergebnis mit 64 NVIDIA-H100-GPUs.
  • Das Flux.1-Training wurde in einer inoffiziellen Reproduktion in 26,36 Minuten abgeschlossen.
  • Lambda führt einen großen Teil der Flux.1-Verbesserung auf Änderungen an Software und Konfiguration zurück.
  • Das Unternehmen empfiehlt, Benchmark-Ergebnisse mit der jeweiligen Arbeitslast und den Kosten abzugleichen.

GPT-OSS-20B-Training in 19,697 Minuten abgeschlossen

Lambda hat das Training von GPT-OSS-20B, einem Mixture-of-Experts-Modell, in 19,697 Minuten abgeschlossen. Der Lauf nutzte 64 NVIDIA-Blackwell-Ultra-GPUs in einem NVIDIA-GB300-NVL72-System und ist als offizielles Ergebnis von MLPerf Training v6.1 gelistet.

Lambda zufolge war das Ergebnis 2,86× schneller als dieselbe Arbeitslast auf 64 NVIDIA-H100-GPUs in der vorherigen Runde, in der Cisco das Ergebnis erzielte. Zudem war es 1,37× schneller als ein Ergebnis mit 64 NVIDIA-Blackwell-GPUs in 8 NVIDIA-HGX-B200-Systemen, das CoreWeave eingereicht hatte.

Lambda beschreibt den Benchmark als nützliche Referenz für Teams, die Reasoning- und agentische Anwendungen auf Basis von Mixture-of-Experts-Architekturen entwickeln. Diese Modelle aktivieren für jedes Token nur eine Teilmenge ihrer Parameter. Das kann nach Angaben des Unternehmens die für den Vorwärtsdurchlauf benötigte Zeit sowie die Trainings- und Inferenzkosten reduzieren.

Softwareverbesserungen beschleunigen das Flux.1-Training

Lambda trainierte außerdem das Text-zu-Bild-Modell Flux.1 in 26,36 Minuten mit derselben Konfiguration aus 64 NVIDIA-Blackwell-Ultra-GPUs. Das Ergebnis war 1,50× schneller als das schnellste Ergebnis auf derselben Hardware in der vorherigen Runde. Lambda bezeichnet es jedoch als inoffizielle Reproduktion, die nach Ablauf der MLPerf-Einreichungsfrist erstellt wurde.

Das Unternehmen führt einen großen Teil der Verbesserung auf seinen Software-Stack zurück. Eine erste Reproduktion mit CUDA Version 13.4.1, CUDA Driver 580.174.04 und PyTorch NVIDIA Release 26.08 erzielte eine Beschleunigung um den Faktor 1,27. Eine zweite Reproduktion mit einer optimierten Konfiguration, darunter einer Lernrate von 0.00025, einer globalen Batch-Größe von 1024 und 1600 Aufwärmschritten, brachte eine weitere Beschleunigung um den Faktor 1,18.

Lambda zufolge war dies die erste multimodale Arbeitslast des Unternehmens über den MLPerf-Harness. Außerdem berichtet das Unternehmen, dass sein inoffizielles Flux.1-Ergebnis 1,12× schneller war als AMDs offizielles Ergebnis mit 64 Instinct-MI355X-GPUs. Lambda erklärt, dass Code und Konfiguration öffentlich verfügbar sind.

Was die MLPerf-Ergebnisse messen

MLPerf Training misst, wie lange ein System benötigt, um ein Modell bis zu einem vordefinierten Qualitätsziel zu trainieren. Die Ergebnisse werden vor ihrer Veröffentlichung von Fachkollegen geprüft. Lambda zufolge haben in der fast neunjährigen Geschichte von MLPerf mehr als 100 Anbieter Beiträge geleistet. An der jüngsten Trainingsrunde, MLPerf Training v6.1, nahmen 25 Anbieter teil.

Die Ergebnisse zeigen zwei unterschiedliche Wege zur Verkürzung der Trainingszeit. Das GPT-OSS-20B-Ergebnis vergleicht neuere NVIDIA-Hardware mit NVIDIA-H100-GPUs. Die Flux.1-Reproduktionen zeigen dagegen, wie Software und die Konfiguration der Arbeitslast die Leistung auf derselben Hardware beeinflussen können.

Kürzere Trainingsläufe können es Teams nach Angaben von Lambda ermöglichen, Experimente früher abzuschließen, Modelle schneller auf den Markt zu bringen und weniger abgerechnete GPU-Stunden zu nutzen, um ein Ziel zu erreichen. Das Unternehmen weist jedoch auch darauf hin, dass schnellere Hardware nicht automatisch eine niedrigere Rechnung bedeutet, da Teams den Hardwarepreis und die gesamte reservierte Kapazität berücksichtigen müssen.

Lambda rät Teams, Benchmarks mit ihren Arbeitslasten zu überprüfen

Lambda empfiehlt, das Benchmark-Modell, das Qualitätsziel und die GPU-Anzahl mit der eigenen Arbeitslast eines Teams zu vergleichen, bevor eine Kapazitätsentscheidung getroffen wird. Außerdem sollten Teams ermitteln, ob eine Verbesserung auf Hardware, Software oder die Trainingskonfiguration zurückgeht, und bestätigen, dass die getestete Konfiguration für sie verfügbar ist.

Das Unternehmen rät Teams, Code, Konfigurationen und Anweisungen für die Durchführung anzufordern und geprüfte Ergebnisse von inoffiziellen Reproduktionen zu unterscheiden. Vor einer größeren Verpflichtung empfiehlt Lambda eine kleine Evaluierung mit klaren Erfolgskriterien.

Lambda bietet 1 Click Clusters für Multi-GPU-Training und Superclusters für größere dedizierte Bereitstellungen an. Die offizielle GPT-OSS-20B-Einreichung nutzte 16 Knoten, 64 NVIDIA-Blackwell-Ultra-GPUs in einem einzelnen NVIDIA-GB300-NVL72-System sowie PyTorch NVIDIA Release 26.08. Lambda erklärt, dass alle Ergebnisse weiterhin der abschließenden Prüfung und Veröffentlichung durch MLCommons unterliegen.

Ähnliche Meldungen

Lambda setzt NVIDIA-Photonics-Switches bei mehr als 10.000 GPUs ein
Chips und Infrastruktur16. November 2026, 17:03

Lambda setzt NVIDIA-Photonics-Switches bei mehr als 10.000 GPUs ein

Lambda gibt an, weltweit erstmals Co-Packaged-Optics-Netzwerke in großem Maßstab eingesetzt zu haben. Am Standort in Quebec verbindet die Technologie mehr als 10.000…

NVIDIA Vera Rubin NVL72 führt MLPerf-Tests für agentische Inferenz an
Chips und Infrastruktur16. November 2026, 17:00

NVIDIA Vera Rubin NVL72 führt MLPerf-Tests für agentische Inferenz an

Laut NVIDIA erzielte Vera Rubin NVL72 in vorläufigen Ergebnissen von MLPerf Endpoints v1.0 bei drei Modellen für agentische KI einen 5- bis 10-mal höheren Durchsatz pro…

NVIDIA Vera Rubin NVL72 erreicht bis zu doppelte GB300-Leistung in MLPerf
Chips und Infrastruktur16. November 2026, 17:00

NVIDIA Vera Rubin NVL72 erreicht bis zu doppelte GB300-Leistung in MLPerf

NVIDIAs Vera Rubin NVL72 erzielte bei sechs von sieben MLPerf-Training-v6.1-Benchmarks die schnellste Trainingszeit und bot pro GPU bis zu die doppelte Leistung eines…