谷歌8192块Ironwood跑分,扩展效率96%
11月16日,谷歌云公布基于第七代Ironwood TPU的MLPerf Training v6.1首轮10项结果:8192块Ironwood在1.70分钟内达到目标模型基准质量,规模缩至4096块仍保持96%的扩展效率。同批还包含业界首个面向智能体强化学习的MLPerf基准成绩。
2026年11月16日,谷歌云发布官方公告,公布MLPerf Training v6.1第一轮基准成绩。这是第七代Ironwood TPU首次以完整集群规模参与公开训练基准。
本次谷歌云基于自研Ironwood TPU与英伟达Grace Blackwell(GB300)GPU共提交10项结果,覆盖前沿模型预训练与首个智能体强化学习(Agentic RL)基准两类负载。财联社于11月17日凌晨转发了其中智能体RL部分的成绩。
· 预训练:8192块Ironwood TPU在1.70分钟内达到目标模型的基准目标质量;扩展至4096块芯片时仍保持96%的扩展效率。
· 智能体强化学习:640块Ironwood TPU在18.02分钟内达到目标模型的编码基准精度0.765(目标准确率0.69),训练过程中同时运行代码生成与学习,训练芯片的等待时间占比低于3%。
· 竞品同批数据:在谷歌云A4X Max实例上,256块英伟达GB300 GPU用31.96分钟达到目标模型的基准质量;另有五项A4X与A4X Max的智能体RL提交。
· 架构口径:谷歌称上述结果基于AI Hypercomputer架构,体现芯片、网络与开放软件的协同设计,而非单纯堆芯片。
· 口径说明:以上数据均为谷歌云公开口径,属厂商自行向MLCommons提交的成绩,未经第三方独立复现;"扩展效率96%"指大规模集群相对基准规模的效率保持率,不等于单芯片性能提升幅度。
智能体RL被单独列为基准科目,是整个行业的风向标:训练负载的重心正从"一次性预训练"转向"长期在线学习+工具调用",这类负载对芯片间通信和内存带宽的要求远高于纯预训练,也正是TPU这类自研ASIC最愿意下注的方向。
谷歌在同一批结果里同时提交TPU与英伟达GB300,说明云厂商的算力策略已进入"双轨并行"阶段——自研芯片控成本与毛利,外购GPU保客户兼容性。这对采购方的实际意义是:同价位算力的可选供给在变宽,议价空间随之打开。
对中国从业者,值得注意的是"扩展效率"这个指标。它比峰值算力更贴近真实训练成本,也更能暴露集群网络与调度能力的差距。
数据来源:谷歌云官方公告(MLPerf Training v6.1 结果)(2026-11-16,https://cloud.google.com/blog/);Silicon Report《Google Cloud publishes MLPerf results for Ironwood TPUs》(2026-11-16,https://www.siliconreport.com/google-cloud-publishes-mlperf-results-for-ironwood-tpus);财联社《谷歌云公布第七代Ironwood TPU的10项测试结果》(2026-11-17,https://news.qq.com/rain/a/20261117A01V8B00);IT时代网《谷歌公布TPU训练基准8192芯片96%效率》(2026-11-17,https://news.qq.com/rain/a/20261117A013DO00)
标签:人工智能、北美、算力与芯片、谷歌云、Ironwood TPU、MLPerf、全球AI动态