NVIDIA domine tous les tests MLPerf Training et Endpoints, avec les débuts de Vera Rubin en tête des performances
NVIDIA a remporté tous les tests de la série MLPerf Training v6.1, dont les résultats ont été publiés le 16 novembre 2026, lors des débuts de sa plateforme Vera Rubin dans ces benchmarks. Le constructeur est le seul à avoir soumis des résultats sur chacun des tests de ce tour, qui couvrent les grands modèles de langage, la génération d'images, les systèmes de recommandation et l'apprentissage par renforcement en post-entraînement. Pour sa première apparition, le système Vera Rubin NVL72 offre jusqu'à deux fois plus de performance par GPU que le GB300 NVL72, pourtant très optimisé. Sur le test DeepSeek-V3, il passe de 256 à 1 024 GPU avec environ 97 % d'efficacité : quadrupler le nombre de puces fait chuter le temps d'entraînement de 16 minutes à environ quatre. NVIDIA a aussi exécuté ce test sur 10 240 GPU avec des systèmes GB300, la plus grande échelle du tour, que Microsoft Azure a égalée avec 10 240 GPU GB200. Dans MLPerf Endpoints, dont NVIDIA présente une première soumission, Vera Rubin affiche plus de 10 fois le débit par watt du GB300 NVL72 sur les charges agentiques.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de NVIDIA AI Blog. Lire l'article original →
Ce dernier chiffre se mesure sur Kimi K3, un grand modèle ouvert conçu pour les flux de travail agentiques. À vitesse de réponse équivalente (environ 50 tokens par seconde et par utilisateur), un système Vera Rubin NVL72 de 32 accélérateurs a produit 41 414 tokens par seconde pour une puissance de 100,89 kW, contre 2 210 tokens par seconde pour 60 kW sur un GB300 NVL72 de 48 accélérateurs. Ce résultat reste provisoire, en attente de vérification par MLCommons. L'enjeu est concret : un agent qui planifie un voyage ou diagnostique une panne informatique raisonne, appelle des outils et vérifie son travail à de multiples reprises, chaque étape générant des tokens. Comme les centres de données sont limités par leur alimentation électrique, le nombre de tokens produits par watt détermine combien d'agents une installation peut servir, donc la valeur qu'elle génère. Côté entraînement, des cycles plus courts permettent de livrer plus vite des agents plus performants, d'actualiser des modèles de découverte de médicaments avec de nouvelles données de laboratoire ou d'adapter plus rapidement la détection de fraude.
Ces résultats s'inscrivent dans la montée en puissance des agents d'IA, qui écrivent du code, pilotent des processus métiers, répondent aux clients et, comme le souligne la conférence SC26 cette semaine, soutiennent la recherche scientifique. MLPerf Endpoints évalue justement des systèmes sur des tâches réelles de codage et d'entreprise, en vérifiant que les agents les accomplissent correctement. Pour tenir le passage à l'échelle, NVIDIA s'appuie sur l'interconnexion NVLink au sein des systèmes, et sur les réseaux InfiniBand Quantum-X800 et Ethernet Spectrum-X entre eux, afin que des milliers de GPU travaillent de concert. L'entreprise affirme que les performances de Vera Rubin continueront de progresser grâce à l'optimisation de sa pile logicielle CUDA, de sorte que les investissements des clients gagnent en valeur avec le temps. Reste à voir si la vérification des résultats provisoires par MLCommons confirmera ces chiffres, et comment les concurrents répondront lors des prochains tours.
Impact indirect pour les acteurs européens du cloud et de l'IA qui dépendent des puces NVIDIA pour entraîner et déployer leurs modèles.