What A Time To Be Alive
Taal kiezen: Nederlands

NVIDIA Vera Rubin debuteert in MLPerf-tests voor training en AI-agents

NVIDIA's nieuwe Vera Rubin-systeem was bij zijn eerste deelname aan de MLPerf-trainingstests het snelst op zes van de zeven tests. In een nieuwe test met AI-agents deed het volgens voorlopige cijfers tot ruim tien keer zoveel werk per kilowatt als de vorige generatie.

Rij zwarte serverkasten in een donkere datahal, gevuld met goudkleurige rekenmodules met groene statuslampjes en grijze koelslangen langs de zijkant.
Serverkasten vol AI-chips, het soort systeem dat in de MLPerf-tests tegen elkaar strijdt (foto ter illustratie, met AI gegenereerd)

NVIDIA's nieuwe generatie AI-hardware, Vera Rubin, heeft voor het eerst meegedaan aan de trainingstests van MLPerf. Dat is een reeks vaste tests waarmee de branchevereniging MLCommons meet hoe snel computersystemen van verschillende makers AI-modellen trainen en gebruiken. NVIDIA testte de Vera Rubin NVL72, een complete serverkast vol AI-chips die als één grote computer samenwerken. De uitslagen verschenen . In september 2026 deed Vera Rubin al in een voorlopige categorie mee aan de MLPerf-tests voor het gebruik van AI-modellen.

In de trainingsronde, MLPerf Training v6.1, zaten zeven tests: grote taalmodellen zoals DeepSeek-V3, een model dat beelden maakt, een aanbevelingssysteem zoals webwinkels gebruiken en het bijtrainen van een model door het te belonen voor goede antwoorden. Alleen systemen met NVIDIA-chips leverden op alle zeven een resultaat in. Vera Rubin was op zes daarvan het snelst. Op de zevende won een veel grotere opstelling met de vorige generatie NVIDIA-chips, GB300.

Twee keer zo snel per chip

Volgens NVIDIA doet Vera Rubin per GPU, het type chip dat het rekenwerk voor AI doet, tot twee keer zoveel werk als het GB300-systeem. Bij de andere zes tests was het 1,4 tot 1,6 keer zo snel. Het duidelijkste voorbeeld is DeepSeek-V3, een taalmodel met 671 miljard instellingen: met 1.024 chips was de training op Vera Rubin na 4,14 minuten klaar, tegen 8,03 minuten op hetzelfde aantal GB300-chips. Met vier keer zoveel chips ging het ook bijna vier keer zo snel, terwijl er bij zulke schaalvergroting meestal veel rekenkracht verloren gaat aan onderling overleg tussen de chips.

De snelste tijd van de hele ronde op die test kwam wel van de oudere GB300: 1,38 minuten, met 10.240 chips verdeeld over 160 serverkasten. Microsoft leverde met zijn clouddienst Azure een even grote opstelling in, met de nog oudere GB200-chips. Aan de ronde deden twintig organisaties mee met NVIDIA-hardware, en ongeveer 80 procent van alle inzendingen in de hoofdcategorie draaide op NVIDIA-chips.

Meer werk per kilowatt voor AI-agents

Nieuw is MLPerf Endpoints. Die test meet hoe goed een systeem AI-agents bedient: programma's die zelfstandig een taak in meerdere stappen uitvoeren en daarbij hulpmiddelen aanroepen, zoals bij programmeerwerk of bedrijfsprocessen. De test kijkt hoeveel gebruikers een systeem tegelijk aankan, hoe snel elke gebruiker antwoord krijgt en of de agent de juiste hulpmiddelen aanroept.

Met het taalmodel Kimi K3 verwerkte Vera Rubin volgens NVIDIA ruim tien keer zoveel tekst per kilowatt stroom als GB300, terwijl elke gebruiker minstens 50 tokens per seconde kreeg. Tokens zijn de stukjes tekst waarin een model leest en schrijft; 50 per seconde is sneller dan iemand kan lezen. Met twee kleinere modellen was het verschil vijf tot negen keer. De uitslagen van Vera Rubin zijn nog voorlopig: MLCommons moet ze nog controleren. Die van GB300 zijn al gecontroleerd.

Wat betekent dit voor de weg naar de singulariteit?

AI-agents zijn al gewoon in programmeerwerk, en ze zijn hongerig: één taak kost tientallen stappen, en elke stap is rekenwerk. Wat een datacenter kan leveren, wordt steeds vaker begrensd door hoeveel stroom het van het net krijgt, niet door hoeveel chips er te koop zijn. Als een serverkast met dezelfde aansluiting vijf tot tien keer zoveel agentwerk doet, kan hetzelfde gebouw dus vele malen meer agents laten draaien. Dat er vraag naar is, blijkt al: SpaceX sloot eind oktober 2026 een huurcontract van zo'n 40 miljard dollar voor AI-apparatuur, onder meer met Vera Rubin-chips.

Voor concurrenten met eigen AI-chips wordt de lat zo weer hoger gelegd: wie per kilowatt veel minder levert, moet goedkoper worden of verliest klanten. Als die wedloop doorzet, daalt de prijs van een agenttaak verder. Dan kan een agent zijn werk vaker zelf nalopen en langer doordenken voordat hij antwoordt, en wordt het betaalbaar om een agent een hele dag aan één probleem te laten werken. Snellere training helpt daarbij: onderzoekers kunnen in dezelfde tijd meer varianten van een model uitproberen. Het totale stroomverbruik daalt daardoor niet vanzelf, want goedkoper rekenwerk wordt meestal juist meer gebruikt.

Wat is de technologische singulariteit? Lees de uitleg →

Bronnen

  1. NVIDIA Blog
  2. NVIDIA Technical Blog
  3. NVIDIA Technical Blog
  4. Unite.AI (MLPerf Inference v6.1, preview)