Ir a las noticias
← Noticias
Análisis

Los TPU Ironwood de Google entrenan DeepSeek-V3 en 1,70 minutos

Síguenos en Telegram

Los nuevos resultados de entrenamiento de Google muestran velocidad comprada con escala y coordinación comprada con diseño, más que un avance aislado en un chip. Ironwood alcanza su tiempo titular solo cuando miles de procesadores entrenan juntos con pocas esperas, mientras que un sistema NVIDIA mucho más pequeño en la misma nube tarda bastante más en el mismo modelo. La contienda que Google está ganando de verdad es la de mantener ocupada una máquina enorme.

Documento oficial
DocumentoDatos
Emitido porGoogle
Publicado16 de noviembre de 2026
Texto oficialblog.google
Páginas oficiales enlazadas2
Documentos anteriores comparados2
Fuente: Google.

El documento New AI training performance benchmarks for Google TPUs, publicado por Google el 16 de noviembre de 2026, recoge 10 resultados en la ronda del benchmark MLPerf Training v6.1. MLPerf es un benchmark compartido: cada participante entrena desde un checkpoint de referencia oficial, una versión inicial de un modelo, hasta alcanzar un objetivo fijado de calidad o precisión. La dispersión de los resultados importa porque Google presenta su nube, no solo su chip, como el lugar donde rinde cualquiera de los dos tipos de hardware.

La velocidad de preentrenamiento llega con miles de chips trabajando juntos

El preentrenamiento es la larga primera fase en la que un modelo aprende de grandes volúmenes de datos antes del ajuste posterior. En DeepSeek-V3, un modelo nombrado en la lista de resultados, 8.192 TPU Ironwood alcanzaron la calidad objetivo de la prueba en 1,70 minutos. Google también informa de un escalado hasta 4.096 chips con un 96% de eficiencia. La eficiencia aquí describe cuánto de la ganancia esperada al añadir chips sobrevive en la práctica. Añadir procesadores trae costes de coordinación, porque el trabajo debe repartirse, los resultados deben intercambiarse y los resultados parciales deben combinarse. Una cifra alta significa que se pierde menos potencia añadida por esa coordinación.

Google atribuye el resultado a su arquitectura AI Hypercomputer y al diseño conjunto del silicio, la red y el software abierto. Esa es la explicación de la propia compañía, y la cifra de escalado es la parte que le da peso. Un clúster puede ser grande sin ser útil si los chips extra pasan el tiempo esperando datos o esperándose unos a otros. La afirmación de Google es más estrecha y más sólida que el tamaño bruto: la máquina creció conservando la mayor parte de su rendimiento esperado. Para un cliente que entrena un modelo de frontera, el tiempo transcurrido en un trabajo muy grande es un dato empresarial directo, porque el trabajo ocupa capacidad costosa hasta que termina.

El aprendizaje agéntico premia a los sistemas que mantienen alimentados los chips

La ronda incluyó también la primera prueba MLPerf para aprendizaje por refuerzo agéntico. El aprendizaje por refuerzo entrena un sistema mediante retroalimentación sobre sus acciones. En una versión agéntica, el sistema hace trabajo, en este caso generando código, y aprende del resultado mientras el trabajo continúa. Eso crea un problema de planificación además de un problema de cómputo: la generación y el aprendizaje compiten por la atención, y los caros chips de entrenamiento pueden quedarse inactivos si ambas actividades se desincronizan.

Del documento
Texto original, citado tal como se publicó.

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.

Fuente: Google, 16 de noviembre de 2026. Google, New AI training performance benchmarks for Google TPUs

En esa prueba, 640 TPU Ironwood alcanzaron la precisión objetivo del benchmark de generación de código en 18,02 minutos, con una puntuación de 0,765 frente a un objetivo de 0,69. La lista de resultados identifica el modelo como Qwen3.5-397B. Google afirma que el sistema ejecutó la generación de código y el aprendizaje simultáneamente, de modo que los chips de entrenamiento esperaron menos del 3% del tiempo. Esa baja proporción de espera explica por qué este resultado va junto al tiempo de preentrenamiento y no por detrás. El preentrenamiento muestra con qué rapidez puede avanzar un clúster coordinado con una carga de trabajo conocida. El aprendizaje agéntico muestra si esa misma clase de clúster sigue siendo productivo cuando la carga de trabajo no deja de generar nuevo material para sí misma durante la ejecución.

Los resultados con NVIDIA convierten el argumento en una propuesta sobre Google Cloud, no en lealtad a un solo chip

Google publicó también un resultado de preentrenamiento con hardware NVIDIA. En instancias A4X Max de Google Cloud, 256 GPU NVIDIA GB300 alcanzaron la calidad objetivo del benchmark para el modelo en 31,96 minutos para DeepSeek-V3. La compañía añade cinco resultados presentados con A4X y A4X Max en el benchmark de aprendizaje por refuerzo agéntico, que abarcan sistemas GB200 y GB300. El lector no debería tomar los tiempos de Ironwood y de NVIDIA como una confrontación directa entre dispositivos individuales. Los recuentos de chips difieren mucho, las instancias difieren y la prueba premia al sistema completo configurado que Google presentó.

Leídas así, las entradas de NVIDIA cambian el significado del titular de Ironwood. Google no sostiene que los clientes deban elegir su propio silicio para usar su nube. Sostiene que su nube es un entorno competente para grandes sistemas de entrenamiento de más de un tipo, con redes y software proporcionados por Google en cada caso. Ironwood sigue siendo el resultado insignia y la declaración más clara de lo que Google puede construir de extremo a extremo. Los resultados con Blackwell amplían la afirmación comercial: a un comprador ya comprometido con hardware NVIDIA se le sigue invitando a ejecutar el trabajo en Google Cloud.

El nuevo documento cambia el tema del acceso a la capacidad

Documentos anteriores de Google de la misma serie de publicaciones se movían en el plano del usuario individual. El 13 de noviembre de 2026, Google informó a los usuarios de la app Gemini en EE. UU. que podían conectar Google Wallet para recibir respuestas informadas por sus hábitos de gasto, con acceso de solo lectura y control del usuario sobre la conexión. Otro documento del mismo día incluía créditos de Google Cloud dentro de Google AI Studio para suscriptores de Google AI Pro y Ultra, de modo que los desarrolladores pudieran obtener créditos mensuales y seguir construyendo sin salir de su espacio de trabajo. Esas medidas ampliaron el acceso y profundizaron el contexto personal.

Este documento habla a otro lector: un laboratorio o una empresa que entrena modelos y compra capacidad de cómputo por clúster. Su pregunta no es si un asistente sabe más sobre una persona. Su pregunta es con qué rapidez termina un gran trabajo de entrenamiento, hasta dónde escala antes de que la coordinación se coma la ganancia y si el trabajo agéntico irregular mantiene ocupado el hardware. El contraste es el contexto que hace que la prueba sea más que una puntuación. Google dedicó los anuncios anteriores a facilitar la entrada en Gemini y AI Studio. Ahora tiene que mostrar la base industrial que hay debajo de esos productos y vender esa base a clientes que quizá nunca usen la aplicación de consumo.

Un tiempo de benchmark es una promesa con condiciones limitadas

Todos los tiempos comunicados miden el tiempo de entrenamiento MLPerf desde el checkpoint de referencia oficial hasta el criterio de convergencia objetivo, como declara Google en el documento. Esa definición permite comparar las ejecuciones presentadas bajo las reglas de la ronda. También limita lo que aprende un comprador. Los resultados publicados no dan precio por ejecución, ni cifra de energía, ni declaración sobre cuánta capacidad Ironwood puede obtener un cliente nuevo, ni cuándo. Esas omisiones importan porque un sistema de benchmark rápido todavía tiene que estar disponible y ser asequible a escala de producción antes de que el tiempo se convierta en ahorro.

La próxima ronda de MLPerf pondrá a prueba si los rivales cierran la brecha de escalado y si Google puede repetir el resultado agéntico a medida que esa prueba madure. Hasta entonces, el veredicto respaldado es preciso. Google ha documentado una plataforma de entrenamiento cuya ventaja reside en la coordinación a escala, tanto en preentrenamiento como en una nueva prueba agéntica, y ha situado esa afirmación en sus propios chips y en sistemas NVIDIA vendidos a través de su nube. La velocidad es real dentro de la prueba declarada. El valor comercial lo decidirán la capacidad y el coste, cuestiones que este documento no cuantifica.

Fuente: 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) · Fecha:

Los TPU Ironwood de Google entrenan DeepSeek-V3 en 1,70 minutos