Künstliche Intelligenz, aktuell.
Direkt aus den Originalmeldungen.

NVIDIA Vera Rubin dominiert MLPerf-Training und führt bei agentischer Inferenz

16. November 2026, 17:00Von der KI Nachrichten RedaktionQuelle: NVIDIA
Top-MeldungNVIDIA Vera Rubin dominiert MLPerf-Training und führt bei agentischer Inferenz
Bild: NVIDIA

NVIDIA zufolge erzielte die Vera-Rubin-Plattform bei ihrem Benchmark-Debüt Spitzenwerte in MLPerf Training, Post-Training und agentischer Inferenz. Die Plattform entschied jeden MLPerf-Training-v6.1-Benchmark für sich und meldete bei der agentischen KI einen mehr als 10-fachen Zuwachs beim Durchsatz pro Watt gegenüber der vorherigen Generation.

Das Wichtigste in Kürze
  • Vera Rubin gewann jeden MLPerf-Training-v6.1-Benchmark.
  • NVIDIA meldete bis zu 2-mal mehr Leistung pro GPU als bei GB300 NVL72.
  • Der Durchsatz pro Watt für agentische KI lag in einem vorläufigen Kimi-K3-Ergebnis um mehr als das 10-Fache über GB300 NVL72.
  • Vera Rubin NVL72 erreichte bei der Skalierung von 256 auf 1.024 GPUs eine Effizienz von rund 97 %.
  • Das Kimi-K3-Ergebnis von Vera Rubin muss noch von der MLCommons Association überprüft werden.

Vera Rubin gewinnt jeden MLPerf-Training-v6.1-Benchmark

MLPerf Training misst, wie schnell ein System verschiedene KI-Modelle bis zu einem bestimmten Genauigkeitsniveau trainieren kann. NVIDIA zufolge war das Unternehmen in dieser Runde die einzige Plattform mit Ergebnissen in jedem Benchmark. Abgedeckt wurden große Sprachmodelle, Bildgenerierung, Empfehlungssysteme und das Post-Training mittels bestärkendem Lernen.

Bei seinem Debüt erzielte Vera Rubin NVL72 laut NVIDIA bis zu 2-mal mehr Leistung pro GPU als NVIDIA GB300 NVL72. Das Unternehmen erklärte, die Ergebnisse spiegelten frühe Leistungszuwächse von einer Generation zur nächsten wider. Zugleich werde sich die Leistung durch die Optimierung des CUDA-basierten Software-Stacks weiter verbessern.

NVIDIA meldete außerdem Ergebnisse im großen Maßstab für den DeepSeek-V3-Benchmark. Vera Rubin NVL72 wurde von 256 auf 1.024 GPUs mit einer Effizienz von rund 97 % skaliert. Die Vervierfachung der GPU-Anzahl verkürzte die Trainingszeit dem Unternehmen zufolge von 16 Minuten auf etwa vier Minuten.

Mehr als 10-mal mehr Durchsatz pro Watt für agentische KI

MLPerf Endpoints testet Systeme anhand agentischer Programmier- und Unternehmens-Workflows und prüft zugleich, ob die Agenten ihre Aufgaben korrekt erledigen. Diese Workloads können erfordern, dass ein Agent Schlussfolgerungen zieht, Tools aufruft und seine Arbeit mehrmals überprüft. Jeder Schritt erzeugt dabei Tokens.

Bei seiner ersten Einreichung für MLPerf Endpoints erklärte NVIDIA, Vera Rubin habe in allen agentischen Benchmarks die Führung übernommen. In einem vorläufigen Ergebnis für Kimi K3 erzielte Vera Rubin NVL72 bei gleicher Antwortgeschwindigkeit mehr als 10-mal so viel Durchsatz pro Watt wie NVIDIA GB300 NVL72. Grundlage war der Durchsatz pro Kilowatt bei einer gemeinsamen durchschnittlichen Mindestinteraktivität von 50 Tokens pro Sekunde und Nutzer.

Das Ergebnis von Vera Rubin muss noch von der MLCommons Association überprüft werden und kann sich im Zuge des Peer-Reviews noch ändern. Der genannte Vergleich für Kimi K3 wurde am 9. November 2026 veröffentlicht.

Warum die Ergebnisse für KI-Infrastrukturen wichtig sind

NVIDIA zufolge helfen die Netzwerksysteme des Unternehmens großen GPU-Clustern, effizient zu arbeiten. NVLink verbindet GPUs innerhalb eines Systems, während Quantum-X800 InfiniBand und Spectrum-X Ethernet Systeme im gesamten Rechenzentrum vernetzen. Diese Kombination hilft Entwicklern laut NVIDIA zusammen mit optimierter Software dabei, Tausende GPUs gemeinsam zu betreiben und Trainingszeiten zu verkürzen.

An den Training-Einreichungen waren 20 Organisationen beteiligt, darunter Azure, CoreWeave, Google Cloud, Microsoft Azure, Oracle, Supermicro und die University of Florida. NVIDIA zufolge zeigt die Beteiligung, wie die programmierbare Plattform, Open-Source-Bibliotheken und Frameworks des Unternehmens die Optimierung in einem breiten Partner-Ökosystem unterstützen.

Für Nutzer und KI-Entwickler könnten die gemeldeten Zuwächse schnelleres Modelltraining und einen effizienteren Betrieb von Agenten bedeuten, sofern sich die Benchmark-Ergebnisse auf Produktions-Workloads übertragen lassen. NVIDIA führte schnellere Trainingszeiten darauf zurück, dass Agenten Nutzer früher erreichen, Wirkstoffforschungsmodelle mit neuen Labordaten Schritt halten und Betrugserkennungsmodelle schneller auf neue Bedrohungen reagieren können. Das Unternehmen erklärte außerdem, Vera Rubin unterstütze Workloads vom Pretraining und Post-Training bis hin zu agentischer Inferenz und High-Performance Computing.

Ähnliche Meldungen

CoreWeave meldet zehnmal mehr Tokens pro Megawatt mit Vera Rubin NVL72
Chips und Infrastruktur19. November 2026, 23:40

CoreWeave meldet zehnmal mehr Tokens pro Megawatt mit Vera Rubin NVL72

CoreWeave zufolge erzeugte NVIDIA Vera Rubin NVL72 in einer DeepSeek-R1-Evaluierung zehnmal mehr Tokens pro Sekunde und Megawatt als NVIDIA GB200 NVL72. Verglichen wurde…

CoreWeave beansprucht niedrigere Blackwell-KI-Kosten als Hyperscaler
Chips und Infrastruktur18. November 2026, 14:00

CoreWeave beansprucht niedrigere Blackwell-KI-Kosten als Hyperscaler

CoreWeave zufolge kommt eine Studie von Signal65 zu dem Ergebnis, dass die Cloud des Anbieters in sechs von sieben NVIDIA-Blackwell-Konfigurationen den höchsten…

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…