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.