Google Cloud cho biết 8.192 TPU Ironwood thế hệ thứ bảy đã đạt chất lượng mục tiêu trong bài tiền huấn luyện của MLPerf Training v6.1 chỉ trong 1.70 phút. Công ty công bố kết quả này ngày 16 tháng 11 năm 2026, cùng các bài nộp trên GPU NVIDIA Grace Blackwell và bài MLPerf đầu tiên về học tăng cường (RL) theo kiểu tác tử.
Với người thuê phần cứng AI, các con số cho thấy đám mây của Google làm được gì ở quy mô lớn. Tổng cộng Google Cloud công bố 10 kết quả trong vòng này, tất cả thuộc hạng mục Closed của bài kiểm tra do MLCommons điều hành.
Google Cloud đã nộp những gì?
Google cho biết các bài nộp gồm tiền huấn luyện tiên tiến và RL tác tử, chạy trên kiến trúc AI Hypercomputer. Công ty mô tả đó là kết quả của việc đồng thiết kế giữa chip, mạng và phần mềm mã nguồn mở.
- Tiền huấn luyện trên Ironwood: 8.192 TPU Ironwood đạt chất lượng mục tiêu trong 1.70 phút
- RL tác tử trên Ironwood: 640 TPU Ironwood
- Tiền huấn luyện trên NVIDIA GB300: 256 GPU trên các phiên bản A4X Max đạt mục tiêu trong 31.96 phút
- RL tác tử trên GPU NVIDIA: năm bài nộp trên các phiên bản A4X và A4X Max
Danh sách kết quả trong chú thích của Google cho thấy các bài tiền huấn luyện chạy DeepSeek-V3 trên 2.048, 4.096 và 8.192 chip Ironwood, cùng 256 GPU GB300. Các bài RL tác tử dùng Qwen3.5-397B trên Ironwood và trên 56, 64 và 256 GPU NVIDIA.
Khả năng mở rộng ra sao?
Google nhấn mạnh điểm này: tiền huấn luyện mở rộng đến 4.096 chip với hiệu suất 96%. Điều này quan trọng vì thêm chip chỉ rút ngắn huấn luyện khi chúng dành thời gian để tính toán thay vì chờ nhau. Google không nêu hiệu suất ở 8.192 chip, nên 96% là số của lượt chạy 4.096 chip.
Để tham khảo, MLCommons cho biết 12 hệ thống trong vòng này dùng từ 1.000 bộ tăng tốc trở lên, và hệ thống lớn nhất dùng 10.240. NVIDIA báo cáo một lượt chạy DeepSeek-V3 trên 10.240 GPU với hệ thống GB300, nên 8.192 chip Ironwood là một lượt chạy lớn theo chuẩn của vòng này.
Bài RL tác tử là gì?
RL tác tử huấn luyện mô hình bằng cách cho nó viết mã rồi học từ kết quả. Bài kiểm tra là Qwen3.5-397B, mà MLCommons mô tả là khối lượng công việc hậu huấn luyện đầu tiên của bộ, được huấn luyện bằng Group Relative Policy Optimization để suy luận về các tác vụ kỹ thuật phần mềm, gồm cả gọi công cụ.
Google cho biết 640 TPU Ironwood đạt độ chính xác mục tiêu của bài lập trình trong 18.02 phút, với 0.765 so với mục tiêu 0.69. Công ty nói thêm việc sinh mã và học diễn ra đồng thời, nên chip huấn luyện chỉ phải chờ dưới 3% thời gian. Chip rảnh là tiền bỏ phí, nên đây là con số người mua dịch vụ đám mây nên đọc kỹ.
Giá bao nhiêu?
Google không nêu giá trong thông báo này. TPU Ironwood và các phiên bản A4X, A4X Max là dịch vụ của Google Cloud, nên giá và khả năng cung cấp tùy khu vực và hợp đồng. Hãy xem trang giá của Google Cloud hoặc hỏi đại diện bán hàng tại nước bạn.
Phù hợp với ai?
Nhóm huấn luyện mô hình rất lớn. Kết quả cho thấy Google chạy được hàng nghìn TPU cùng lúc, hữu ích nếu công việc của bạn cần nhiều chip như vậy.
Nhóm xây dựng tác tử lập trình. Kết quả RL với chip rảnh dưới 3% liên quan đến một loại tác vụ đang lan rộng. Đây chỉ là một bài kiểm tra, không phải bảo đảm cho mã của bạn.
Khách hàng thích NVIDIA. Google cũng nộp hệ thống GB300 và GB200, nên bạn có thể dùng nền tảng đó ngay trong Google Cloud.
Người nên chờ. Ai chọn nhà cung cấp chỉ dựa vào các kết quả này. Mỗi hạng mục chỉ có một mô hình và các nguồn ở đây không so sánh Google với hãng khác.
Điều gì vẫn chưa rõ?
Bài của Google không nêu giá, khả năng cung cấp theo khu vực, hay so sánh giữa kết quả TPU và GPU. Trang kết quả của MLCommons liệt kê 153 hệ thống từ 24 tổ chức, nên đó là nơi để so sánh. MLCommons cũng cho biết vòng này có kết quả đầu tiên của TPUv7 (Ironwood) của Google và GPU thế hệ Rubin của NVIDIA.
Hãy đọc bài của Google để xem mã định danh kết quả, và trang MLCommons Training v6.1 để so sánh các bài nộp.






