EN DIRECT
OpenAI avance vers une définition rigoureuse du Modèle Standard sur réseau15/11/26 · OpenAI|Un modèle open-weight apprend à piloter des robots réels grâce à l'entraînement en simulation13/11/26|Une analyse forensique détecte des traces de GPU sous embargo dans des modèles chinois12/11/26|Google DeepMind dévoile Gemini 4 Hydrogen12/11/26 · Google DeepMind|AlphaGenome 2 : DeepMind affine son modèle pour décrypter l'ADN non-codant11/11/26 · Google DeepMind|Google DeepMind lance Gemini 4 Carbon10/11/26 · Google DeepMind|Google DeepMind dévoile AlphaProof Code pour la vérification formelle de logiciels10/11/26 · Google DeepMind|OpenAI lance un espace dédié aux entreprises dans ChatGPT10/11/26 · OpenAI|Anthropic lance la tournée de présentation pour son entrée en bourse10/11/26 · Anthropic|Une pétition réclame le retour de Jensen Huang à la tête de Nvidia16/11/26 · Nvidia|OpenAI renforce ses dispositifs contre l'exploitation sexuelle des enfants en ligne16/11/26 · OpenAI|OpenAI élargit l'accès gratuit à ChatGPT pour 200 000 chercheurs16/11/26 · OpenAI|OpenAI avance vers une définition rigoureuse du Modèle Standard sur réseau15/11/26 · OpenAI|Un modèle open-weight apprend à piloter des robots réels grâce à l'entraînement en simulation13/11/26|Une analyse forensique détecte des traces de GPU sous embargo dans des modèles chinois12/11/26|Google DeepMind dévoile Gemini 4 Hydrogen12/11/26 · Google DeepMind|AlphaGenome 2 : DeepMind affine son modèle pour décrypter l'ADN non-codant11/11/26 · Google DeepMind|Google DeepMind lance Gemini 4 Carbon10/11/26 · Google DeepMind|Google DeepMind dévoile AlphaProof Code pour la vérification formelle de logiciels10/11/26 · Google DeepMind|OpenAI lance un espace dédié aux entreprises dans ChatGPT10/11/26 · OpenAI|Anthropic lance la tournée de présentation pour son entrée en bourse10/11/26 · Anthropic|Une pétition réclame le retour de Jensen Huang à la tête de Nvidia16/11/26 · Nvidia|OpenAI renforce ses dispositifs contre l'exploitation sexuelle des enfants en ligne16/11/26 · OpenAI|OpenAI élargit l'accès gratuit à ChatGPT pour 200 000 chercheurs16/11/26 · OpenAI|
ReleaseNVIDIA

La plateforme Vera Rubin de NVIDIA domine MLPerf Training et débute dans les benchmarks Endpoints

La future plateforme Vera Rubin de NVIDIA a dominé l'ensemble des catégories MLPerf Training v6.1 et affiché un gain de plus de 10x en débit par watt lors de sa première soumission aux benchmarks MLPerf Endpoints, axés sur l'inférence agentique.

16 novembre 20263 min de lecturePublié parNVIDIA

NVIDIA a publié les résultats de sa plateforme Vera Rubin dans la dernière édition des benchmarks MLPerf, marquant la première divulgation publique de performance de cette architecture avant son déploiement commercial. Selon l'entreprise, Vera Rubin a dominé l'ensemble des catégories de MLPerf Training v6.1, la suite de référence du secteur utilisée pour comparer la rapidité d'entraînement de grands modèles d'IA dans des conditions contrôlées et reproductibles.

Le fait le plus notable reste cependant le débuts de NVIDIA dans MLPerf Endpoints, un volet de benchmark plus récent conçu pour mesurer l'efficacité d'inférence des systèmes d'IA agentique — des charges de travail où les modèles enchaînent plusieurs étapes de raisonnement, appels d'outils ou sous-tâches, plutôt que de produire une seule réponse. NVIDIA rapporte un gain générationnel supérieur à dix fois en débit par watt sur ce volet, un indicateur qui reflète la quantité de calcul utile qu'un système peut fournir rapporté à sa consommation électrique, une préoccupation croissante alors que les centres de données font face à des coûts énergétiques en hausse et à des contraintes d'approvisionnement.

Les benchmarks MLPerf, supervisés par le consortium MLCommons, sont largement utilisés par les fournisseurs cloud et les entreprises pour comparer le matériel d'IA de différents fournisseurs dans des conditions standardisées, bien que les soumissions soient auto-déclarées et que les configurations puissent varier d'une entreprise à l'autre. NVIDIA domine historiquement ces classements d'entraînement, et les premiers résultats de Vera Rubin suggèrent que l'entreprise entend conserver cette avance alors que la concurrence des accélérateurs d'IA personnalisés développés par Google, Amazon et d'autres s'intensifie.

Ces gains d'efficacité en inférence agentique sont particulièrement pertinents compte tenu de l'orientation du secteur vers des agents d'IA capables de raisonnement multi-étapes et d'exécution autonome de tâches, généralement plus gourmands en calcul que de simples requêtes conversationnelles. Reste à savoir si ces gains de benchmark se traduiront par des améliorations comparables de coût ou de performance réelles pour les clients, ce qui dépendra de la disponibilité, du prix et de l'écart entre les charges de travail réelles et les cas de test standardisés de MLPerf une fois Vera Rubin commercialisée.

Tags
mlperfbenchmarkvera-rubintraininginferenceagentic-aidata-center

À lire aussi