谷歌Ironwood跑分:8192颗芯片102秒训完DeepSeek-V3

102 秒背后的算力账

谷歌云(Google Cloud)11 月 16 日发布博文,在 MLPerf Training v6.1 基准测试第一轮中提交了 10 项结果,覆盖第七代 Ironwood TPU 与英伟达 Grace Blackwell GPU,涉及模型预训练,以及该基准首次纳入的智能体强化学习测试。其中 4 项使用谷歌自研芯片,另外 6 项采用英伟达 GPU。最受关注的一组数字是:在 DeepSeek-V3 预训练测试中,8192 颗 Ironwood TPU 用时 1.70 分钟(约 102 秒),让目标模型达到基准规定的质量要求;扩展至 4096 颗芯片时,系统扩展效率达到 96%。

三组 Ironwood 成绩:规模翻倍的收益

根据 MLCommons 发布的参赛方补充说明,谷歌在 DeepSeek-V3 671B 预训练项目中提交了三组 Ironwood 成绩。

Ironwood 芯片数量达到目标质量的时间换算为秒相对 2048 颗配置的提速
2048 颗5.03 分钟约 302 秒基准
4096 颗2.62 分钟约 157 秒约 1.92 倍
8192 颗1.70 分钟102 秒约 2.96 倍

从 2048 颗扩展到 8192 颗,芯片数量增加三倍,用时缩短到约三分之一,扩展效率保持在 96%。这组数据说明,ironwood 在大规模集群下仍能维持接近线性的加速——这对训练动辄数千卡的大模型而言,比单颗芯片的峰值性能更有参考价值。

同轮其他成绩:谁更快要分场景看

在同一轮 DeepSeek-V3 671B 测试中,还有多组公开成绩可供参考。

提交方/平台加速器配置达标用时
英伟达 GB300 NVL72 集群10240 颗 GB300 GPU1.38 分钟,约 82.8 秒
谷歌 Ironwood 集群8192 颗 Ironwood TPU1.70 分钟,102 秒
英伟达 Vera Rubin NVL72 集群1024 颗 Rubin GPU4.14 分钟
英伟达 GB300 NVL72 集群1024 颗 GB300 GPU8.03 分钟
谷歌云 A4X Max256 颗 GB300 GPU31.96 分钟

需要说明的是,Ironwood 及谷歌云 GB300 的成绩来自谷歌披露,其余成绩来自英伟达本轮技术说明,英伟达将 10240 颗 GB300 的 1.38 分钟列为本轮该项目最短用时。也就是说,在绝对速度上英伟达仍占优,但谷歌用 8192 颗自研芯片跑到了 102 秒,且芯片规模更小。两种架构的对比无法只看一个数字,成本、集群规模与软件生态同样是变量。

智能体强化学习首次入列

本轮 MLPerf 首次引入智能体强化学习测试。640 颗 Ironwood 芯片运行 Qwen3.5-397B,用时 18.02 分钟达到编程任务要求,准确率为 76.5%,高于 69% 的目标。代码生成与学习同步进行,让训练芯片等待时间占比低于 3%。在 Google Cloud A4X Max 实例中,256 块用于预训练基准的英伟达 GB300 GPU 则在 31.96 分钟内达到目标质量,另有 5 个 A4X 和 A4X Max 提交参与智能体强化学习基准测试。

常见问题

MLPerf Training 测的到底是什么?

MLPerf Training 是 MLCommons 组织制定的机器学习训练性能基准,衡量的是把模型训练到规定质量阈值所需的时间,而不是每秒浮点运算次数。达标时间越短,代表在同等目标下的训练效率越高。

102 秒的成绩意味着训练一整个 DeepSeek-V3 只要不到两分钟吗?

不能这样理解。MLPerf 的”达标”指在规定的数据集与质量目标下完成训练,与从零完整训练出可商用的 DeepSeek-V3 不是一回事。这组数字的价值在于同一基准下的横向可比性。

谷歌这次是在和英伟达直接打擂台吗?

从提交结果看,谷歌同时提交了自研 TPU 与英伟达 GPU 的成绩,本身也是在展示其云平台的多元算力选择。就 DeepSeek-V3 项目而言,英伟达 10240 颗 GB300 的 1.38 分钟仍是本轮最短,谷歌的看点更多在于 96% 的扩展效率与 8192 颗芯片规模下的表现。

信息来源

– IT之家《谷歌第七代自研 Ironwood TPU 交卷:8192 颗集群约 102 秒达标 DeepSeek-V3 预训练》(2026 年 11 月 17 日) – 谷歌云官方博文、MLCommons 发布的 MLPerf Training v6.1 结果与参赛方补充说明 – 凤凰网科技、腾讯新闻相关报道


说说

全部说说