Google Cloud 表示,8,192 颗第七代 Ironwood TPU 在 MLPerf Training v6.1 预训练测试中,以 1.70 分钟达到目标品质。公司于 2026 年 11 月 16 日公布这项成绩,同时公布 NVIDIA Grace Blackwell GPU 的成绩,以及首个 MLPerf 代理式强化学习(RL)测试的成绩。

对租用 AI 硬件的用户来说,这些数字反映 Google 云端在大规模下的表现。本轮 Google Cloud 合共公布 10 项成绩,全部属 MLCommons 主办测试的 Closed 组别。

Google Cloud 提交了甚么?

Google 表示,提交涵盖前沿预训练和代理式 RL,运行于其 AI Hypercomputer 架构,并形容成绩来自芯片、网络和开源软件的协同设计。

  • Ironwood 预训练:8,192 颗 Ironwood TPU 以 1.70 分钟达到目标品质
  • Ironwood 代理式 RL:640 颗 Ironwood TPU
  • NVIDIA GB300 预训练:A4X Max 实例上的 256 颗 GPU 以 31.96 分钟达到目标
  • NVIDIA GPU 代理式 RL:A4X 和 A4X Max 实例共提交五项

Google 附注的成绩列表显示,预训练项目以 DeepSeek-V3 在 2,048、4,096 和 8,192 颗 Ironwood 芯片及 256 颗 GB300 GPU 上运行;代理式 RL 项目则以 Qwen3.5-397B 在 Ironwood 及 56、64、256 颗 NVIDIA GPU 上运行。

扩展能力如何?

Google 强调这一点:预训练扩展至 4,096 颗芯片时效率达 96%。这很重要,因为增加芯片只有在它们忙于运算而非互相等待时,才能缩短训练时间。Google 没有提供 8,192 颗芯片时的效率,所以 96% 是 4,096 颗芯片的数字。

作为参考,MLCommons 指本轮有 12 套系统使用 1,000 个或以上加速器,最大为 10,240 个。NVIDIA 报告了以 GB300 系统在 10,240 颗 GPU 上运行 DeepSeek-V3,因此 8,192 颗 Ironwood 在本轮属大规模运行。

代理式 RL 测试是甚么?

代理式 RL 让模型编写程序码,再从结果中学习。该测试为 Qwen3.5-397B,MLCommons 形容它是测试套件首个后训练工作负载,以 Group Relative Policy Optimization 训练模型处理软件工程任务,包括调用工具。

Google 表示,640 颗 Ironwood TPU 以 18.02 分钟达到编程测试的目标准确度,得分 0.765,目标为 0.69。公司补充,程序码生成与学习同时进行,训练芯片的等待时间不足 3%。闲置芯片等于浪费金钱,云端买家应细看这个数字。

售价是多少?

Google 在这则公布中没有列出价格。Ironwood TPU 以及 A4X 和 A4X Max 实例属 Google Cloud 服务,价格和供应视乎地区和合约。请查阅 Google Cloud 定价页面,或联系所在地区的销售人员。

适合甚么人?

训练超大型模型的团队。 成绩显示 Google 能让数千颗 TPU 一起运作,工作需要这么多芯片时值得参考。

开发编程代理的团队。 RL 成绩中芯片闲置不足 3%,反映一种日益普及的工作负载。这只是单一测试,并非对你的程序码的保证。

偏好 NVIDIA 的客户。 Google 也提交了 GB300 和 GB200 系统,可在 Google Cloud 内继续使用该平台。

应该再等等的人。 仅凭这些成绩选择供应商的人。成绩每类只有一个模型,所引资料亦没有把 Google 与其他厂商比较。

还有甚么未知?

Google 的文章没有提供价格、地区供应,也没有比较 TPU 与 GPU 的成绩。MLCommons 结果页列出来自 24 个机构的 153 套系统,可用作并排比较。MLCommons 并指本轮首次出现 Google TPUv7(Ironwood)及 NVIDIA Rubin 世代 GPU 的成绩。

成绩编号请看 Google 的文章,比较各项提交则可参阅 MLCommons 的 Training v6.1 页面。