关键数字：发布日期 11 月 4 日 / 支持架构 Vera Rubin / 驱动版本 Linux 620.70.06、Windows 621.14

多 GPU 通信算进了同一内核

CUDA Tile 现在支持在计算内核内部直接访问其他 GPU 的显存，依托 NVLink 高速互连实现。

借助多播指针和专用多 GPU 内存操作，开发者可以在支持 NVLink SHARP 的 NVSwitch 网络中执行跨 GPU 数据归约和写入。

这意味着 GPU 间的数据通信与计算操作能融合在同一内核，减少传统多卡协同中内核边界与数据传递带来的额外开销。英伟达列举的场景包括融合矩阵乘法和跨 GPU 数据归约。

调度层面：SM 分区能借能还

MPS v3 新增加权时间片机制。管理员可为重负载服务器设置更长的基础计算时间片，并独立调整 GPU 在任务间的切换频率。

SM 分区负载均衡让任务在资源充足时借用其他分区闲置的 SM，原分区需要时先回收。局部域（Locality Domain）提供两种分区方式：各域均分 SM 保证可预测性，或将域外补充 SM 纳入分区用满全部资源。

开发者可通过 API 查询各分区实际获得的 SM 数量，以便合理分配计算任务。

Windows 驱动模型：TCC 退役

从 Rubin 架构起，CUDA 不再支持 Tesla Compute Cluster（TCC）模式，仅支持 WDDM 与 MCDM 两种 Windows 驱动模型。

MCDM 面向纯计算场景，相关应用与部署工具需适配新的支持范围。

驱动方面，英伟达同步发布 R620 系列数据中心 GPU 驱动：Linux 620.70.06、Windows 621.14，发布日期均为 11 月 4 日。CUDA Toolkit 13.5 与驱动分别发布，驱动不再作为 Toolkit 内置组件。

对基础设施团队意味着什么

CUDA 13.5 将 Vera Rubin 从开发者预览推进到企业生产部署阶段。这意味着采购 Rubin 架构集群的团队现在可以获得稳定的底层软件支持。

多 GPU 通信与细粒度调度能力直接服务于大规模 MoE 训练和推理。值得注意的是，转向 MCDM 驱动模型要求既有 TCC 部署方案重新适配，需提前评估迁移成本。

常见问题

哪些开发者最该升级？

运行大规模 AI 训练、推理，或在 Vera Rubin 上做多租户 GPU 共享的团队收益最大，集中在吞吐与调度效率。

已经在用 TCC 模式会受影响吗？

会。从 Rubin 架构起 CUDA 不再支持 TCC，仅保留 WDDM 与 MCDM，现有 TCC 部署需迁移到 MCDM 并适配工具链。

驱动需要一起更新吗？

需要。配套 R620 系列数据中心驱动（Linux 620.70.06、Windows 621.14，11 月 4 日），且驱动已不再随 Toolkit 内置，需单独安装。

信息来源：英伟达官方 CUDA 13.5 发布说明，IT之家、凤凰网科技等媒体 2026 年 11 月 5 日报道。

把工厂“搬进集装箱”

DSX POD 是面向完整 Vera Rubin AI 工厂系统的参考设计。其核心思路，是把过去要在客户现场完成的脏活累活——计算、网络、布线、机架级供电、液冷管路的安装与功能验证——提前挪到制造工厂里完成。

合作伙伴会在模块化集装箱内完成系统集成：机架与机架之间的线缆连接、电气布线、管道安装以及功能验证，都在发货前做完。设备运到现场后，客户只需要把它接入已经准备就绪的电力、冷却、网络等配套设施，就能开展后续部署。

据英伟达介绍，这套方案的标准单元由七个液冷计算机架、约 17 公里的 Spectrum-X 网络线缆，以及 800 伏直流供电构成。

部署周期：从六个月到十四天

在传统模式下，一座大型 AI 工厂从破土到投运，现场施工、专业人力协调与物流环节极其复杂。英伟达表示，在部署场地及配套基础设施已经准备就绪的前提下，DSX POD 可以把基础设施的现场部署周期，从传统方式的约六个月缩短至最短 14 天。

黄仁勋强调，AI 工厂“只有在开始产生 token（词元）时才创造价值，而不仅仅是在建设完成时”。缩短从现场就绪到跑通生产级 AI 工作负载的时间，意味着运营商能够更早对外提供推理服务、获得收入。他以一座功率规模约 1 吉瓦的 AI 工厂举例：其造价约为 500 亿美元，若部署延误三个月，可能对应约 100 亿美元的收入损失。

更省水、更省电

除了快，DSX POD 还在能耗与用水上做文章。英伟达称，其 DSX AI 工厂平台能够将冷却用水量降至接近零，并在实现相同 AI 产出的前提下，把能耗最多降低 30%。这背后的逻辑是采用闭式液冷回路配合干式散热，把过去依赖水蒸发排热的环节省掉。

与此同时，作为底座的 Vera Rubin 平台已被英伟达称为“全面投产”。据其介绍，该平台每个节点的组装时间不到 5 分钟，而上一代 Grace Blackwell 需要约 2 小时；Vera Rubin 采用 100% 液冷、无须电缆的设计，在面向智能体（Agent）的工作负载下，NVL72 系统的每兆瓦吞吐量可达上一代 Blackwell 平台的 30 倍。

全球伙伴 2027 年初交付

英伟达正在与戴尔科技、慧与（HPE）、联想、技嘉、鸿海旗下工业富联、和硕、广达旗下云达科技（QCT）、纬创、施耐德电气、维谛技术等企业合作，推动 DSX POD 的制造、集成与交付。英伟达表示，全球合作伙伴计划于 2027 年初开始交付相关 AI 工厂系统。

在演讲中，黄仁勋还把 AI 产业形容为一场新工业革命的起点，并称欧洲不应只消费 AI 服务，还应具备生产 AI 的能力。英伟达此前已表示计划向欧洲技术生态投入近 100 亿美元。对算力需求方而言，DSX POD 这类“预制工厂”能否真正把部署节奏从“按月”拉到“按周”，将是接下来一年最值得观察的落地信号。

MLCommons 近日发布 MLPerf Inference v6.1 基准测试套件。作为衡量不同硬件在 AI 推理任务中吞吐与延迟表现的权威评测，最新 6.1 版本将重点放在推理吞吐、扩展效率，以及不同 GPU 配置下的实际表现。AMD、英伟达、英特尔等厂商在结果公布后同步提交了各自的成绩单。

AMD 派出的 512 卡答卷

AMD 以约 575 万个 token/秒的速度，在 512 个 GPU 的规模下创造了新的 MLPerf 提交纪录，这也是 AMD 迄今为止规模最大的参赛配置，意在证明其性能、规模、软件成熟度与可复现性。

在 DeepSeek R1 这一大模型负载测试中，AMD 派出 512 个 Instinct MI355X GPU 参赛。离线（强调批量处理能力，通常用于衡量系统在非实时场景下的最大吞吐）成绩为 2,901,950 tokens/s，服务器（强调在线服务场景中的吞吐与响应能力，更接近实际部署中的请求处理环境）成绩为 2,405,310 tokens/s。

英伟达的 288 卡对照

同一项目中，英伟达提交了 GB300 与 GB200 的 288 GPU 配置。其中 GB300 离线成绩为 2,705,130 tokens/s，服务器成绩为 2,028,030 tokens/s。需要特别说明的是，两家提交的 GPU 数量并不相同——AMD 用 512 块，英伟达用 288 块，配置存在差异，因此以上数据仅供参考，不能直接当作同规模下的性能对比。

Vera Rubin 首次现身

本次测试的一大看点是英伟达新一代架构 Vera Rubin（VR200）首次进入 MLPerf 推理基准，出现了 36 GPU 与 72 GPU 两种配置。在相同的 72 个 GPU 配置下，Vera Rubin（VR200）要比 GB300 快 95%；此外，其 36 GPU 配置版本甚至比 72-GPU 的 GB200 配置更快。

在 GPT-OSS 120B 负载中，AMD 同样以史上最高的 512 GPU 配置在离线与服务器两类场景中领先；而在 72 GPU 与 8 GPU 段，英伟达的 GB300（Grace Blackwell Ultra）配置则占据上风。AMD 的 MI350P 在 8 GPU 配置下也快于上一代 MI300X。英特尔方面则带来了 Arc Pro B70 与至强（Xeon）的提交，英伟达的 RTX PRO 系列也在 8 GPU 与 4 GPU 配置下参与了测试。

评测之外更值得看什么

从 512 卡到 288 卡，从已量产的 GB300 到首次亮相的 VR200，这一轮提交把 AI 推理吞吐的竞争推到了新的量级。对采购方而言，MLPerf 的价值不只在于“谁跑得更快”，更在于揭示不同规模、不同架构下的扩展效率——在真实业务里，往往不是单卡峰值，而是千卡协同能否不掉链子，才决定了一座 AI 工厂的真正产能。

耐人寻味的是，这笔巨资投向的是一家至今没有发布任何产品、也没有公开过任何研究成果的公司。

算力提升「一个数量级」

根据协议，SSI 将获得英伟达下一代旗舰计算平台 Vera Rubin 的大规模使用权，可用算力有望提升一个数量级。SSI 方面称，合作将使其算力在未来 12 个月内增长至现有水平的 10 倍。据知情人士透露，该公司此前主要依赖谷歌母公司 Alphabet 的 TPU 芯片开展运算，这笔交易意味着英伟达从竞争对手手中抢下了一个标志性客户。

「苏茨克维从 AlexNet 开始，就在现代 AI 的根基层面做出了开创性突破。」英伟达创始人兼 CEO 黄仁勋表示，「我们很期待看到 SSI 借助 Vera Rubin 平台带来的新突破。」

苏茨克维则回应：「我们手上的研究已经值得规模化，而拿到英伟达的大型计算机后就能做到这一点。」据报道，这笔交易从双方接触到敲定只用了几周时间；英伟达此前已是 SSI 的股东，本次属于既有关系的升级——而促成加码的关键，是英伟达获得了对 SSI 高度保密研究进展的罕见内部了解。

一家「神秘」的 300 亿美元实验室

SSI 由苏茨克维与丹尼尔·利维（Daniel Levy）于 2024 年联合创立，目标高度专一：以「直线冲刺」的方式研发「安全超级智能」——既能胜任人类所能完成的一切任务，又不对人类构成威胁的 AI 系统。公司明确表示近期无意销售任何 AI 产品，团队规模至今仅几十人。

凭借苏茨克维在业内的声誉，SSI 吸引了安德森·霍洛维茨、红杉资本、DST Global、Greenoaks 等顶级投资机构，累计融资约 30 亿美元，去年估值已达 300 亿美元上下。据了解，SSI 正在探索一条不同于 OpenAI、谷歌、Anthropic 等公司大语言模型路线的技术路径。苏茨克维在声明中透露，公司研究「聚焦于人类大脑功能中被忽视的方面」。

绑定明星创业者的熟悉剧本

这并非英伟达第一次用投资绑定 OpenAI 系明星创业者。今年 3 月，英伟达与前 OpenAI 首席技术官米拉·穆拉蒂（Mira Murati）达成了类似协议——后者去年联合创立的 Thinking Machines Lab，本月早些时候刚发布首个完全基于英伟达硬件训练的 AI 模型。

两笔交易的逻辑如出一辙：通过战略投资锁定最受瞩目的 AI 研究机构，确保它们优先采用英伟达芯片，同时压制竞争对手的芯片生态。不过，随着英伟达对 AI 初创公司的投资越滚越大，市场上关于「循环融资」的质疑声也越来越响——芯片商投资客户，客户再用融资购买芯片，一旦 AI 公司增长放缓，链条上的风险将被放大。

值得一提的是，就在协议宣布当天，英伟达股价下跌近 5%，全球市值第一的宝座被苹果夺走。对英伟达而言，押注 SSI 这样的前沿实验室，既是对未来算力需求的提前锁定，也是一场不折不扣的豪赌。

来源：《华尔街日报》、英伟达官方新闻稿、第一财经