Google Cloud 表示,8,192 顆第七代 Ironwood TPU 在 MLPerf Training v6.1 預訓練測試中,以 1.70 分鐘達到目標品質。公司於 2026 年 11 月 16 日公佈這項成績,同時公佈 NVIDIA Grace Blackwell GPU 的成績,以及首個 MLPerf 代理式強化學習(RL)測試的成績。
對租用 AI 硬件的用戶來說,這些數字反映 Google 雲端在大規模下的表現。本輪 Google Cloud 合共公佈 10 項成績,全部屬 MLCommons 主辦測試的 Closed 組別。
Google Cloud 提交了甚麼?
Google 表示,提交涵蓋前沿預訓練和代理式 RL,運行於其 AI Hypercomputer 架構,並形容成績來自晶片、網絡和開源軟件的協同設計。
- Ironwood 預訓練:8,192 顆 Ironwood TPU 以 1.70 分鐘達到目標品質
- Ironwood 代理式 RL:640 顆 Ironwood TPU
- NVIDIA GB300 預訓練:A4X Max 實例上的 256 顆 GPU 以 31.96 分鐘達到目標
- NVIDIA GPU 代理式 RL:A4X 和 A4X Max 實例共提交五項
Google 附註的成績列表顯示,預訓練項目以 DeepSeek-V3 在 2,048、4,096 和 8,192 顆 Ironwood 晶片及 256 顆 GB300 GPU 上運行;代理式 RL 項目則以 Qwen3.5-397B 在 Ironwood 及 56、64、256 顆 NVIDIA GPU 上運行。
擴展能力如何?
Google 強調這一點:預訓練擴展至 4,096 顆晶片時效率達 96%。這很重要,因為增加晶片只有在它們忙於運算而非互相等待時,才能縮短訓練時間。Google 沒有提供 8,192 顆晶片時的效率,所以 96% 是 4,096 顆晶片的數字。
作為參考,MLCommons 指本輪有 12 套系統使用 1,000 個或以上加速器,最大為 10,240 個。NVIDIA 報告了以 GB300 系統在 10,240 顆 GPU 上運行 DeepSeek-V3,因此 8,192 顆 Ironwood 在本輪屬大規模運行。
代理式 RL 測試是甚麼?
代理式 RL 讓模型編寫程式碼,再從結果中學習。該測試為 Qwen3.5-397B,MLCommons 形容它是測試套件首個後訓練工作負載,以 Group Relative Policy Optimization 訓練模型處理軟件工程任務,包括調用工具。
Google 表示,640 顆 Ironwood TPU 以 18.02 分鐘達到編程測試的目標準確度,得分 0.765,目標為 0.69。公司補充,程式碼生成與學習同時進行,訓練晶片的等待時間不足 3%。閒置晶片等於浪費金錢,雲端買家應細看這個數字。
售價是多少?
Google 在這則公佈中沒有列出價格。Ironwood TPU 以及 A4X 和 A4X Max 實例屬 Google Cloud 服務,價格和供應視乎地區和合約。請查閱 Google Cloud 定價頁面,或聯絡所在地區的銷售人員。
適合甚麼人?
訓練超大型模型的團隊。 成績顯示 Google 能讓數千顆 TPU 一起運作,工作需要這麼多晶片時值得參考。
開發編程代理的團隊。 RL 成績中晶片閒置不足 3%,反映一種日益普及的工作負載。這只是單一測試,並非對你的程式碼的保證。
偏好 NVIDIA 的客戶。 Google 也提交了 GB300 和 GB200 系統,可在 Google Cloud 內繼續使用該平台。
應該再等等的人。 僅憑這些成績選擇供應商的人。成績每類只有一個模型,所引資料亦沒有把 Google 與其他廠商比較。
還有甚麼未知?
Google 的文章沒有提供價格、地區供應,也沒有比較 TPU 與 GPU 的成績。MLCommons 結果頁列出來自 24 個機構的 153 套系統,可用作並排比較。MLCommons 並指本輪首次出現 Google TPUv7(Ironwood)及 NVIDIA Rubin 世代 GPU 的成績。
成績編號請看 Google 的文章,比較各項提交則可參閱 MLCommons 的 Training v6.1 頁面。






