Google Cloud dice que 8,192 de sus TPU Ironwood de séptima generación alcanzaron la calidad objetivo de la prueba de preentrenamiento de MLPerf Training v6.1 en 1.70 minutos. La empresa publicó el resultado el 16 de noviembre de 2026, junto con entradas en GPU NVIDIA Grace Blackwell y en la primera prueba MLPerf de aprendizaje por refuerzo (RL) agéntico.

Para quien renta hardware de IA, las cifras muestran lo que la nube de Google puede hacer a gran escala. En total, Google Cloud publicó 10 resultados en esta ronda, todos en la división Closed de la prueba que administra MLCommons.

¿Qué presentó Google Cloud?

Google indica que las entradas abarcan preentrenamiento de frontera y RL agéntico, sobre su arquitectura AI Hypercomputer. La empresa lo describe como un diseño conjunto de silicio, red y software abierto.

  • Preentrenamiento en Ironwood: 8,192 TPU Ironwood alcanzaron la calidad objetivo en 1.70 minutos
  • RL agéntico en Ironwood: 640 TPU Ironwood
  • Preentrenamiento en NVIDIA GB300: 256 GPU en instancias A4X Max alcanzaron la meta en 31.96 minutos
  • RL agéntico en GPU NVIDIA: cinco entradas en instancias A4X y A4X Max

La lista de resultados en la nota de Google muestra que el preentrenamiento usó DeepSeek-V3 en 2,048, 4,096 y 8,192 chips Ironwood, y en 256 GPU GB300. El RL agéntico usó Qwen3.5-397B en Ironwood y en 56, 64 y 256 GPU NVIDIA.

¿Cómo escala?

Google subraya este punto: el preentrenamiento escaló hasta 4,096 chips con 96% de eficiencia. Importa porque sumar chips solo acorta el entrenamiento si calculan en lugar de esperarse entre sí. Google no da la eficiencia con 8,192 chips, así que el 96% corresponde a la corrida de 4,096.

Como referencia, MLCommons dice que 12 sistemas de esta ronda usaron 1,000 o más aceleradores y el mayor usó 10,240. NVIDIA reportó una corrida de DeepSeek-V3 con 10,240 GPU GB300, por lo que 8,192 chips Ironwood es una corrida grande para esta ronda.

¿Qué es la prueba de RL agéntico?

El RL agéntico entrena un modelo dejándolo escribir código y aprender del resultado. La prueba es Qwen3.5-397B, que MLCommons describe como la primera carga de posentrenamiento del conjunto, entrenada con Group Relative Policy Optimization para razonar sobre tareas de ingeniería de software, incluido el uso de herramientas.

Google dice que 640 TPU Ironwood alcanzaron la precisión objetivo en programación en 18.02 minutos, con 0.765 frente a una meta de 0.69. Añade que la generación de código y el aprendizaje ocurrieron a la vez, por lo que los chips de entrenamiento esperaron menos del 3% del tiempo. Los chips inactivos cuestan dinero, así que es la cifra que más deben leer los compradores de nube.

¿Cuánto cuesta?

Google no da ningún precio en este anuncio. Los TPU Ironwood y las instancias A4X y A4X Max son servicios de Google Cloud, y el precio y la disponibilidad dependen de la región y del contrato. Consulte las páginas de precios de Google Cloud o a un representante de su país.

¿A quién le conviene?

Equipos que entrenan modelos muy grandes. Los resultados muestran que Google opera miles de TPU juntos, útil si su trabajo necesita tantos chips.

Equipos que crean agentes de programación. El resultado de RL, con chips inactivos menos del 3% del tiempo, atañe a una carga cada vez más común. Es una sola prueba, no una garantía para su código.

Clientes que prefieren NVIDIA. Google también presentó sistemas GB300 y GB200, así que puede seguir en esa plataforma dentro de Google Cloud.

Quien debería esperar. Quien elija proveedor solo por estos resultados. Muestran un modelo por categoría y las fuentes no comparan a Google con otros fabricantes.

¿Qué falta por saber?

La publicación de Google no da precios, disponibilidad por región ni la comparación entre TPU y GPU. La página de MLCommons lista 153 sistemas de 24 organizaciones, ahí se pueden comparar. MLCommons añade que esta ronda trajo los primeros resultados de los TPUv7 (Ironwood) de Google y de las GPU de generación Rubin de NVIDIA.

Lea la publicación de Google para los identificadores de resultados y la página MLCommons Training v6.1 para comparar entradas.