NVIDIA informó que la plataforma Vera Rubin debutó en MLPerf liderando entrenamiento, post-entrenamiento e inferencia agéntica. La empresa dice haber ganado todos los benchmarks de MLPerf Training v6.1 y obtenido más de 10x de mejora generacional en throughput por watt en MLPerf Endpoints. En un resultado provisional con el modelo Kimi K3, el Vera Rubin NVL72 tendría más de 10x el throughput por watt del GB300 NVL72 a la misma velocidad de respuesta. Los números son divulgados por la propia NVIDIA y aún dependen de validación independiente.
NVIDIA divulgó los primeros resultados de la plataforma Vera Rubin en benchmarks MLPerf y afirmó que lidera en entrenamiento, post-entrenamiento e inferencia para agentes de IA. La información consta en una publicación de la propia empresa, que describe el debut como el comienzo de una trayectoria de optimización continua del software basado en CUDA.
Según NVIDIA, el Vera Rubin fue la única plataforma con resultados en todos los benchmarks de MLPerf Training v6.1 en esta ronda, que abarca modelos de lenguaje de gran escala, generación de imágenes, sistemas de recomendación y post-entrenamiento por aprendizaje por refuerzo.
Desempeño en el entrenamiento
La empresa afirma que el Vera Rubin NVL72 entregó hasta 2x más desempeño por GPU que el GB300 NVL72, sistema que NVIDIA describe como altamente optimizado. La compañía clasifica estos números como resultados iniciales que indican el ritmo de innovación entre generaciones.
NVIDIA también reportó desempeño a escala. En el benchmark DeepSeek-V3, el Vera Rubin NVL72 pasó de 256 a 1.024 GPUs con cerca de 97% de eficiencia, según la empresa. En la práctica, cuadruplicar el número de GPUs redujo el tiempo de entrenamiento de 16 minutos a cerca de cuatro.
Aún según la publicación, NVIDIA ejecutó el benchmark en 10.240 GPUs con sistemas GB300, la mayor escala de esta ronda. Microsoft Azure habría alcanzado la misma escala con 10.240 GPUs NVIDIA en sistemas GB200.
La empresa atribuye ese desempeño a la combinación de redes de interconexión. El NVLink conecta las GPUs dentro de cada sistema, mientras que el Quantum-X800 InfiniBand y el Spectrum-X Ethernet conectan los sistemas entre sí en el data center. Sumados al software optimizado, estos componentes mantendrían miles de GPUs trabajando en conjunto.
Inferencia para agentes de IA
En MLPerf Endpoints, primera presentación de NVIDIA en esa categoría, la empresa afirma haber obtenido más de 10x de mejora generacional en throughput por watt para IA agéntica. La métrica mide cuánto trabajo de agentes entrega un sistema por watt de energía consumido.
NVIDIA explica que los agentes de IA pueden razonar, accionar herramientas y revisar su propio trabajo varias veces para completar una sola tarea, y cada una de esas etapas genera tokens. Como los data centers de IA están limitados por la energía disponible, generar más tokens por segundo por watt significaría atender más agentes con la misma potencia.
MLPerf Endpoints evalúa sistemas en flujos reales de codificación agéntica y de empresas, verificando si los agentes completan las tareas correctamente. NVIDIA afirma que el Vera Rubin lidera en todos los benchmarks agénticos de esa categoría.
En un resultado provisional con el Kimi K3, modelo abierto orientado a flujos agénticos, NVIDIA dice que el Vera Rubin NVL72 entrega más de 10x el throughput por watt del GB300 NVL72 a la misma velocidad de respuesta. La empresa sostiene que la plataforma desplaza la curva de equilibrio entre atender a muchos usuarios simultáneamente y responder rápido a cada uno.
Ecosistema y salvedades
NVIDIA informó que 20 organizaciones participaron de MLPerf Training con presentaciones, entre ellas ASUS, Azure, Cisco, CoreWeave, Crusoe, Dell Technologies, Firmus, Giga Computing, Google Cloud, HPE, Inventec, Krai, Lambda, Nebius, Oracle, Quanta Cloud Technology, Supermicro, TTA y la Universidad de Florida.
La empresa también citó desempeño en benchmarks independientes, como SemiAnalysis AgentX y Artificial Analysis AgentPerf, como evidencia de que la misma infraestructura atiende desde pre-entrenamiento y post-entrenamiento hasta inferencia agéntica y cargas de computación de alto desempeño.
Hay incertidumbre relevante en los números. Los datos divulgados provienen del comunicado de NVIDIA, que no detalla metodología, configuraciones completas de los sistemas ni los resultados de los competidores en esta ronda. El resultado del Kimi K3 se describe como provisional, y la mención a los benchmarks independientes no incluye valores que permitan una comparación directa.
NVIDIA afirma además que el desempeño del Vera Rubin debe seguir creciendo con la optimización continua de la pila de software CUDA, argumento de que la infraestructura adquirida hoy rendiría más a lo largo del tiempo. Esa proyección es una expectativa de la empresa, no un resultado medido.
Fuente original: NVIDIA — NVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading Performance.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.






