Игорь Градов
Игорь Градов
4 мин
ai

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 впервые проверил ИИ-агентов: тензорные процессоры Google справились за 18 минут

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.

Как это читать

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.
Мнение редакции dzen.guru

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

Поделиться:TelegramVK
Игорь Градов
Игорь Градов

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».

Комментарии

Читайте также

ai

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…

4 мин
Google Поиск сам оформляет бронь отеля и следит за билетами: 4 сценария к праздникам
ai

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…

4 мин
Гугл Карты научились планировать поездки по дням: ИИ сам ищет запись и звонит в компании
ai

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…

5 мин