谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标

谷歌云在 MLPerf Training v6.1 首轮基准测试放出第七代 Ironwood TPU 的成绩,8192 颗 Ironwood 集群跑完 DeepSeek-V3 671B 模型预训练达标任务只用 102 秒,也就是 1.7 分钟,这个成绩是达到测试指定质量阈值,不是模型完整全量预训练,谷歌同时提交了 2048 颗、4096 颗两组不同规模的测试结果,4096 颗配置下扩展效率达到 96%,这次测试是 Ironwood 首次正式登上 MLPerf 训练榜单,依托谷歌 AI 超算架构,软硬件、互联网络协同优化,用来验证 MoE 大模型大规模训练的横向扩展能力,同轮测试里英伟达 GB300 集群也提交了该项目成绩,两家硬件路线不一样,这个榜单成绩只代表 MLPerf 封闭分区的标准化测试场景,不等于实际业务训练的耗时。

一、Ironwood 多规模测试数据

Ironwood 芯片数量达标耗时相对基准提速
2048 颗约 302 秒基准
4096 颗约 157 秒1.92 倍
8192 颗约 102 秒接近 3 倍

二、Ironwood TPU 基础参数

  • 定位:谷歌第七代 TPU,双计算芯粒设计,主打大模型训练 + 推理
  • 单芯片 FP8 算力:4614 TFLOPS
  • 内存:192GB HBM3E,带宽约 7.3TB/s
  • 集群上限:单 SuperPod 最多 9216 颗,搭配光电路交换 OCS 共享内存
  • 互联:ICI 高速片间互联,支持大规模 MoE 模型并行

三、DeepSeek-V3 模型基础信息

  • 总参数:671B MoE 稀疏架构,单 Token 激活 37B 参数
  • 训练数据集:14.8 万亿高质量 Token
  • 架构特点:MLA 多头隐注意力、DeepSeekMoE,无辅助损失负载均衡
  • 说明:MLPerf 测试是截取标准子集、固定收敛目标的验证任务,和 DeepSeek 原生完整预训练不是一回事

四、同轮对比要点

  1. 英伟达 GB300 集群(10240 卡)同项目达标耗时约 82.8 秒,芯片数量更多
  2. Ironwood 的优势是高扩展效率,4092 颗以内扩展损耗很低
  3. MLPerf v6.1 本轮还新增智能体强化学习赛道,Ironwood 也提交了 Qwen3.5 的 RL 测试结果

五、重要区分提醒

  • 102 秒:MLPerf 基准测试,达到预设质量门槛,标准化验证
  • 完整预训练:DeepSeek-V3 原版完整预训练需要数百万 H800 GPU 小时,耗时远长于 102 秒
  • 扩展效率:4096 颗规模 96%,8192 颗没有公布该指标

【相关 FAQ】

问题 1:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,102 秒是完整训练完 DeepSeek-V3 吗?

回答 1:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,102 秒只是 MLPerf 测试里达到预设质量阈值的时间,不是 DeepSeek-V3 完整全量预训练时长。

问题 2:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,这次测试用了多少颗 Ironwood 芯片?

回答 2:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,跑出 102 秒成绩的集群配置是 8192 颗 Ironwood 第七代 TPU。

问题 3:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,Ironwood 是什么芯片?

回答 3:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,Ironwood 是谷歌第七代 TPU,双计算芯粒,搭载 192GB HBM3E,面向大模型训练与推理。

问题 4:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,4096 颗 Ironwood 的扩展效率是多少?

回答 4:谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标,4096 颗 Ironwood 集群的扩展效率达到 96%,横向扩展损耗很小。

【参考资料】

[2026-11-17](谷歌 Ironwood 交卷:DeepSeek-V3 预训练测试仅用 102 秒)IT 之家

[2026-11-16](Google TPU and GPU performance: MLPerf v6.1 results)Google The Keyword

[2026-11-16](MLPerf Training v6.1 第一轮结果发布)MLCommons 官网

[2024-12-26](DeepSeek-V3 技术报告)arXiv

【免责声明】

本文谷歌 Ironwood TPU、DeepSeek-V3 MLPerf 测试相关信息来自 MLCommons 官方榜单、谷歌云博文与科技媒体报道,MLPerf 为标准化封闭分区测试,测试条件和真实业务训练环境存在差异;芯片性能、集群成本、落地效果受软件栈、网络、数据集影响,内容仅为算力资讯参考,不构成算力采购、模型训练方案建议。

本文来自作者[光涡路由]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/rgzn/202611/3550.html

赞 (1)

今日大家都在搜的词:

发表回复

本站作者后才能评论

评论列表(4条)

  • 光涡路由
    光涡路由 2026年11月17日

    我是乌兰科技网的签约作者“光涡路由”!

  • 光涡路由
    光涡路由 2026年11月17日

    希望本篇文章《谷歌 Ironwood TPU 在 MLPerf 测试约 102 秒完成 DeepSeek-V3 预训练达标》能对你有所帮助!

  • 光涡路由
    光涡路由 2026年11月17日

    本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索

  • 光涡路由
    光涡路由 2026年11月17日

    本文概览:谷歌云在 MLPerf Training v6.1 首轮基准测试放出第七代 Ironwood TPU 的成绩,8192 颗 Ironwood 集群跑完 DeepSeek-V3 671B 模型预训练达标任务只用 102 秒,也就是 1.7 分钟,这个成绩是达到测试指定质量阈值,不是模型完整全量预训练,谷歌同时提交了 2048 颗、4096 颗两组不同规模的测试结果,4096 颗配置下扩展效率达到 96%,这次测试是 Ironwood 首次正式登上 MLPerf 训练榜单,依托谷歌 AI 超算架构,软硬件、互联网络协同优化,用来验证 MoE 大模型大规模训练的横向扩展能力,同轮测试里英伟达 GB300 集群也提交了该项目成绩,两家硬件路线不一样,这个榜单成绩只代表 MLPerf 封闭分区的标准化测试场景,不等于实际业务训练的耗时。

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们