Googles neue Trainingsergebnisse zeigen Tempo, das durch Skalierung erkauft wird, und Koordination, die durch Design entsteht – nicht einen einzelnen Chip-Durchbruch. Ironwood erreicht seine Bestzeit nur dann, wenn Tausende Prozessoren mit wenig Wartezeit gemeinsam trainieren, während ein deutlich kleineres NVIDIA-System in derselben Cloud für dasselbe Modell viel länger braucht. Der Wettbewerb, den Google tatsächlich gewinnt, gilt der Frage, eine riesige Maschine beschäftigt zu halten.
| Dokument | Angaben |
|---|---|
| Herausgeber | |
| Veröffentlicht | 16. November 2026 |
| Offizieller Text | blog.google |
| Verlinkte offizielle Seiten | 2 |
| Verglichene frühere Dokumente | 2 |
Das Dokument „New AI training performance benchmarks for Google TPUs“, das Google am 16. November 2026 veröffentlichte, meldet 10 Ergebnisse in der MLPerf-Training-v6.1-Benchmarkrunde. MLPerf ist ein gemeinsamer Test: Jeder Teilnehmer trainiert von einem offiziellen Referenz-Checkpoint aus, einer Ausgangsversion eines Modells, bis ein festgelegtes Ziel für Qualität oder Genauigkeit erreicht ist. Die Spannweite der Ergebnisse ist wichtig, weil Google seine Cloud präsentiert, nicht nur seinen Chip, als den Ort, an dem beide Hardwarearten ihre Leistung entfalten können.
Vorabtrainings-Geschwindigkeit entsteht, wenn Tausende Chips zusammenarbeiten
Vorabtraining ist die lange erste Phase, in der ein Modell aus großen Datenmengen lernt, bevor späteres Feintuning folgt. Bei DeepSeek-V3, einem in der Ergebnisliste genannten Modell, erreichten 8.192 Ironwood-TPUs die Zielqualität des Benchmarks in 1,70 Minuten. Google meldet außerdem eine Skalierung auf 4.096 Chips mit 96 % Effizienz. Effizienz beschreibt hier, wie viel des erwarteten Zugewinns durch zusätzliche Chips in der Praxis erhalten bleibt. Zusätzliche Prozessoren bringen Koordinationskosten mit sich, weil Arbeit aufgeteilt, Ergebnisse ausgetauscht und Teilergebnisse zusammengeführt werden müssen. Ein hoher Wert bedeutet, dass weniger der zusätzlichen Rechenleistung durch diese Koordination verloren geht.
Google führt das Ergebnis auf seine AI-Hypercomputer-Architektur und auf die gemeinsame Entwicklung von Chips, Netzwerk und offener Software zurück. Das ist die Erklärung des Unternehmens selbst, und die Skalierungskennzahl ist der Teil, der ihr Gewicht verleiht. Ein Cluster kann groß sein, ohne nützlich zu sein, wenn zusätzliche Chips ihre Zeit damit verbringen, auf Daten oder aufeinander zu warten. Googles Aussage ist enger und stärker als reine Größe: Die Maschine wuchs, während sie den Großteil ihrer erwarteten Leistung behielt. Für einen Kunden, der ein Frontier-Modell trainiert, ist die Laufzeit eines sehr großen Trainingslaufs ein unmittelbarer geschäftlicher Faktor, denn der Trainingslauf belegt teure Kapazität, bis er abgeschlossen ist.
Agentisches Lernen belohnt Systeme, die Chips versorgt halten
Die Runde umfasste außerdem den ersten MLPerf-Benchmark für agentisches Reinforcement Learning. Beim Reinforcement Learning wird ein System durch Rückmeldung zu seinen Aktionen trainiert. In einer agentischen Variante verrichtet das System Arbeit – hier das Generieren von Code – und lernt aus dem Ergebnis, während die Arbeit weiterläuft. Das schafft ebenso ein Problem der Ablaufplanung wie eines der Rechenleistung: Generierung und Lernen konkurrieren um Aufmerksamkeit, und teure Trainingschips können brachliegen, wenn die beiden Aktivitäten aus dem Takt geraten.
Built on Google Cloud’s AI Hypercomputer architecture, these results reflect co-design across silicon, networking, and open software: Pre-training on Ironwood: 8,192 Ironwood TPUs reached the target model's benchmark target quality in 1.70 minutes, scaling up to 4,096 chips with 96% efficiency. Agentic RL on Ironwood: 640 Ironwood TPUs reached the target model’s coding benchmark target accuracy in 18.02 minutes (0.765 vs. the 0.69 goal), running code generation and learning simultaneously so training chips waited under 3% of the time.
Quelle: Google, 16. November 2026. Google, New AI training performance benchmarks for Google TPUsIn diesem Test erreichten 640 Ironwood-TPUs die Zielgenauigkeit des Coding-Benchmarks in 18,02 Minuten und erzielten 0,765 gegenüber einem Ziel von 0,69. Die Ergebnisliste identifiziert das Modell als Qwen3.5-397B. Google zufolge liefen Codegenerierung und Lernen gleichzeitig, sodass die Trainingschips weniger als 3 % der Zeit warteten. Der niedrige Warteanteil erklärt, warum dieses Ergebnis neben der Vorabtrainings-Zeit steht und nicht dahinter. Vorabtraining zeigt, wie schnell ein koordiniertes Cluster eine bekannte Arbeitslast durchläuft. Agentisches Lernen zeigt, ob dieselbe Art von Cluster produktiv bleibt, wenn die Arbeitslast während des Laufs immer neues Material für sich selbst erzeugt.
NVIDIA-Ergebnisse machen die Botschaft zu einer über Google Cloud, nicht zu einer über Treue zu einem Chip
Google veröffentlichte außerdem ein Vorabtrainings-Ergebnis auf NVIDIA-Hardware. Auf Google Cloud A4X Max Instanzen erreichten 256 NVIDIA GB300 GPUs die Zielqualität des Modell-Benchmarks in 31,96 Minuten für DeepSeek-V3. Das Unternehmen ergänzt fünf A4X- und A4X-Max-Einreichungen für den Benchmark für agentisches Reinforcement Learning, die GB200- und GB300-Systeme abdecken. Ein Leser sollte die Ironwood- und NVIDIA-Zeiten nicht als direkten Wettkampf zwischen einzelnen Geräten verstehen. Die Chipzahlen unterscheiden sich deutlich, die Instanzen unterscheiden sich, und der Benchmark belohnt das gesamte konfigurierte System, das Google eingereicht hat.
So gelesen verändern die NVIDIA-Einträge die Bedeutung der Ironwood-Schlagzeile. Google argumentiert nicht, dass Kunden sein eigenes Silizium wählen müssen, um seine Cloud zu nutzen. Es argumentiert, dass seine Cloud ein kompetentes Zuhause für große Trainingssysteme mehr als einer Art ist, wobei Netzwerk und Software in jedem Fall von Google kommen. Ironwood bleibt das Flaggschiff-Ergebnis und die klarste Aussage darüber, was Google durchgängig bauen kann. Die Blackwell-Ergebnisse erweitern die kommerzielle Aussage: Ein Käufer, der sich bereits für NVIDIA-Hardware entschieden hat, wird weiterhin eingeladen, den Trainingslauf in Google Cloud durchzuführen.
Das neue Dokument wechselt das Thema von Zugang zu Kapazität
Frühere Google-Dokumente in derselben Veröffentlichungsreihe bewegten sich auf der Ebene des einzelnen Nutzers. Am 13. November 2026 teilte Google Nutzern der Gemini-App in den USA mit, dass sie Google Wallet verbinden können, um Antworten zu erhalten, die auf ihren Ausgabegewohnheiten beruhen, mit Lesezugriff und Nutzerkontrolle über die Verbindung. Ein separates Dokument am selben Tag stattete Google AI Studio für Abonnenten von Google AI Pro und Ultra mit Google-Cloud-Guthaben aus, damit Entwickler monatliche Guthaben abrufen und weiterbauen können, ohne ihren Arbeitsbereich zu verlassen. Diese Schritte erweiterten den Zugang und vertieften den persönlichen Kontext.
Dieses Dokument spricht einen anderen Leser an: ein Labor oder Unternehmen, das Modelle trainiert und Rechenkapazität clusterweise einkauft. Seine Frage ist nicht, ob ein Assistent mehr über eine einzelne Person weiß. Seine Frage ist, wie schnell ein großer Trainingslauf fertig wird, wie weit er skaliert, bevor Koordination den Zugewinn auffrisst, und ob unregelmäßige agentische Arbeit die Hardware beschäftigt hält. Der Kontrast ist der Kontext, der den Benchmark zu mehr als einer Punktzahl macht. Mit den früheren Ankündigungen machte Google den Einstieg in Gemini und AI Studio leichter. Jetzt muss es die industrielle Basis unter diesen Produkten zeigen und diese Basis an Kunden verkaufen, die die Verbraucher-App vielleicht nie nutzen werden.
Eine Benchmark-Zeit ist ein Versprechen mit engen Bedingungen
Alle gemeldeten Zeiten messen die MLPerf-Zeit bis zum Training vom offiziellen Referenz-Checkpoint bis zum Ziel-Konvergenzkriterium, wie Google im Dokument angibt. Diese Definition macht die eingereichten Läufe unter den Regeln der Runde vergleichbar. Sie begrenzt aber auch, was ein Käufer daraus lernt. Die veröffentlichten Ergebnisse nennen keinen Preis für einen Lauf, keine Energiekennzahl und keine Aussage darüber, wie viel Ironwood-Kapazität ein neuer Kunde erhalten kann oder wann. Diese Lücken sind wichtig, weil ein schnelles Benchmark-System in Produktionsmaßstab noch verfügbar und bezahlbar sein muss, bevor aus der Zeit eine Ersparnis wird.
Die nächste MLPerf-Runde wird prüfen, ob Rivalen die Skalierungslücke schließen und ob Google das agentische Ergebnis wiederholen kann, während dieser Benchmark ausgereifter wird. Bis dahin ist das belegte Urteil präzise. Google hat eine Trainingsplattform dokumentiert, deren Vorteil in der Koordination im Maßstab liegt, sowohl beim Vorabtraining als auch bei einem neuen agentischen Test, und es hat diese Aussage auf seine eigenen Chips und auf über seine Cloud verkaufte NVIDIA-Systeme gestützt. Die Geschwindigkeit ist innerhalb des genannten Tests real. Der kommerzielle Wert wird durch Kapazität und Kosten entschieden, die dieses Dokument nicht beziffert.
Quelle: Google, Google, Google Cloud Google Cloud leaders share what to expect in cybersecurity for 2027., Google, Google Cloud Get certified as a Google Cloud Professional Agentic Architect. By Gary Eimerman, Google, Claim your Google Cloud Credits in Google AI Studio (13 November 2026), Google, Connect Google Wallet to Gemini for personal finance insights (13 November 2026) · Datum:



