MLPerf впервые проверил ИИ-агентов: тензорные процессоры Google справились за 18 минут
Google Cloud опубликовала 10 результатов в раунде тестов MLPerf Training v6.1, где впервые появилось испытание на обучение ИИ-агентов, и тензорные процессоры Google Ironwood прошли его за 18,02 минуты.

MLPerf Training, это раунд тестов производительности: участники обучают нейросеть до заранее заданного качества и засекают время. Google Cloud заявила две платформы: тензорные процессоры (TPU, специализированные чипы Google для расчётов нейросетей) седьмого поколения Ironwood и графические процессоры (GPU) NVIDIA Grace Blackwell. Об этом компания рассказала в своём блоге.
| Показатель | Значение | Источник |
|---|---|---|
| Опубликовано результатов | 10 | Google Cloud |
| Чипов Ironwood на предобучении | 8192 | Google Cloud |
| Время предобучения до целевого качества | 1,70 минуты | Google Cloud |
| Эффективность масштабирования до 4096 чипов | 96% | Google Cloud |
| Чипов Ironwood на обучении ИИ-агента | 640 | Google Cloud |
| Время до целевой точности в задачах на код | 18,02 минуты | Google Cloud |
| Достигнутая точность при цели 0,69 | 0,765 | Google Cloud |
| Доля времени, когда обучающие чипы простаивали | меньше 3% | Google Cloud |
| GPU NVIDIA GB300 на виртуальных машинах A4X Max | 256 чипов, 31,96 минуты | Google Cloud |
| Дополнительных заявок A4X и A4X Max на тест ИИ-агентов | 5 | Google Cloud |
Что измеряли?
Первая задача, предобучение (pre-training): модель с нуля учат на большом массиве данных, пока она не достигнет заданной планки качества. Чем быстрее система дошла до планки, тем лучше результат.
Вторая задача появилась в MLPerf впервые: агентное обучение с подкреплением (agentic RL). ИИ-агент (программа, которая сама выполняет задачу по шагам) пишет код, получает оценку и учится на ней, как ученик, которому проверяют каждое решение. Целью была точность 0,69 в тесте на программирование.
Все результаты собраны на архитектуре AI Hypercomputer. Так Google Cloud называет подход, при котором чипы, сетевое оборудование и открытое программное обеспечение проектируют вместе, под одну задачу.
Что обнаружили?
- Предобучение на Ironwood. 8192 чипа довели модель до целевого качества за 1,70 минуты. При масштабировании до 4096 чипов эффективность составила 96%: добавленные чипы почти полностью переходят в прирост скорости.
- Обучение ИИ-агента на Ironwood. 640 чипов достигли точности 0,765 при цели 0,69 за 18,02 минуты.
- Почти без простоя. Генерация кода и обучение шли одновременно, поэтому обучающие чипы ждали данных меньше 3% времени.
- Чипы NVIDIA в облаке Google. 256 графических процессоров NVIDIA GB300 на виртуальных машинах A4X Max дошли до целевого качества за 31,96 минуты. Ещё пять заявок на A4X и A4X Max компания подала в тест ИИ-агентов.
Деталь, которую легко пропустить: Google в одном отчёте показывает и собственные тензорные процессоры, и чипы NVIDIA. Компания продаёт клиентам доступ к обеим платформам в своём облаке.
Все 10 результатов подала сама Google Cloud, а в блоге компании нет ни цифр конкурентов, ни названия модели, ни цен. Сравнивать 1,70 минуты на Ironwood с 31,96 минуты на GB300 напрямую нельзя: число чипов отличается в 32 раза. Кроме того, эффективность 96% указана для масштабирования до 4096 чипов, а для прогона на 8192 такой цифры в тексте нет.
Что это значит для вас?
Вы не арендуете тысячи чипов. Но скорость обучения на стороне поставщика определяет, как часто выходят новые версии моделей и сколько стоит работа с ними.
- Автору Дзена. Тест на обучение ИИ-агентов, которые пишут код, вошёл в отраслевой стандарт. Значит, производители железа готовятся к тому, что агенты будут выполнять задачи сами, а не только отвечать на промпт (текстовый запрос к нейросети). Пробуйте агентные режимы в доступных вам сервисах на рутине: сбор фактов, черновой план статьи.
- Маркетологу. Цифры MLPerf появятся в рекламе облачных провайдеров. Сверяйте их с исходной таблицей: число чипов, задачу и целевую планку качества. Без этих трёх параметров «быстрее» ничего не значит.
- Предпринимателю в РФ и СНГ. О доступности Google Cloud для российских компаний источник не сообщает. Из доступных в РФ языковых моделей для текстов и кода можно использовать YandexGPT и GigaChat.
На мой взгляд, главная цифра здесь не 1,70 минуты, а меньше 3% простоя на обучении агента. Это значит, что Google научилась загружать чипы работой без пауз в тех задачах, где модель сначала действует, а потом учится. Я бы ждал, что именно агентные сценарии станут основным полем конкуренции поставщиков облаков. Авторам советую одно: пока гиганты меряются минутами, начните давать нейросетям задачи целиком, а не по одному промпту.
По данным Google Cloud, блог компании о результатах MLPerf Training v6.1

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также
ИИ в Google Maps пришёл в 30 стран Европы: карта планирует поездку по вопросу
Google выводит Ask Maps, ИИ-помощника в Google Maps на моделях Gemini, в более чем 30 стран Европы, и поездку по европейскому городу теперь можно планировать…

Google Поиск сам оформляет бронь отеля и следит за билетами: 4 сценария к праздникам
Google перед сезоном праздников, когда списки дел длиннее всего, показала четыре способа переложить хлопоты на свой поиск: от спасения испорченной глазури до…

Гугл Карты научились планировать поездки по дням: ИИ сам ищет запись и звонит в компании
Google в понедельник начала выпускать для своих карт новые функции помощника Ask Maps, который теперь сам составляет поездку по дням и ищет свободные записи к…
Комментарии