Google के नए प्रशिक्षण नतीजे बताते हैं कि गति पैमाने से मिली है और तालमेल डिज़ाइन से—किसी अकेली चिप की सफलता से नहीं। Ironwood अपने चर्चित समय तक तभी पहुँचता है जब हज़ारों प्रोसेसर बिना ज़्यादा इंतज़ार किए साथ-साथ प्रशिक्षण करते हैं, जबकि उसी क्लाउड पर बहुत छोटा NVIDIA सिस्टम उसी मॉडल पर कहीं ज़्यादा समय लेता है। Google असल में जो मुकाबला जीत रहा है, वह है एक विशाल मशीन को व्यस्त रखने का।
| दस्तावेज़ | विवरण |
|---|---|
| जारीकर्ता | |
| प्रकाशित | 16 नवंबर 2026 |
| आधिकारिक पाठ | blog.google |
| जुड़े आधिकारिक पृष्ठ | 2 |
| तुलना किए गए पुराने दस्तावेज़ | 2 |
Google द्वारा 16 नवंबर 2026 को प्रकाशित दस्तावेज़, New AI training performance benchmarks for Google TPUs, MLPerf Training v6.1 बेंचमार्क दौर में 10 नतीजे दर्ज करता है। MLPerf एक साझा परीक्षण है: हर प्रतिभागी किसी आधिकारिक संदर्भ चेकपॉइंट—यानी मॉडल के शुरुआती संस्करण—से प्रशिक्षण शुरू करता है और तब तक करता है जब तक गुणवत्ता या सटीकता का तय लक्ष्य न पा ले। नतीजों का यह फैलाव मायने रखता है क्योंकि Google अपने क्लाउड को—सिर्फ़ अपनी चिप को नहीं—ऐसी जगह बता रहा है जहाँ दोनों तरह का हार्डवेयर अपना प्रदर्शन देता है।
प्री-ट्रेनिंग की गति हज़ारों चिप्स के साथ काम करने से आती है
प्री-ट्रेनिंग वह लंबा पहला चरण है जिसमें मॉडल आगे की ट्यूनिंग से पहले बड़ी मात्रा में डेटा से सीखता है। DeepSeek-V3 पर, जिसका नाम नतीजों की सूची में दर्ज है, 8,192 Ironwood TPU ने बेंचमार्क की लक्ष्य गुणवत्ता 1.70 मिनट में हासिल की। Google 4,096 चिप्स तक स्केलिंग को 96% दक्षता के साथ भी दर्ज करता है। यहाँ दक्षता बताती है कि चिप्स जोड़ने से मिलने वाले अपेक्षित लाभ का कितना हिस्सा व्यवहार में बचा रहता है। प्रोसेसर जोड़ने पर तालमेल की लागत आती है, क्योंकि काम बाँटना पड़ता है, नतीजों का आदान-प्रदान करना पड़ता है और आंशिक नतीजों को जोड़ना पड़ता है। ऊँचा आँकड़ा मतलब है कि जोड़ी गई ताकत का कम हिस्सा इस तालमेल में खर्च होता है।
Google इस नतीजे का श्रेय अपनी AI Hypercomputer आर्किटेक्चर को और सिलिकॉन, नेटवर्किंग तथा ओपन सॉफ़्टवेयर को साथ डिज़ाइन करने को देता है। यह कंपनी की अपनी व्याख्या है, और स्केलिंग का आँकड़ा ही उसे भार देता है। कोई क्लस्टर बड़ा होकर भी बेकार हो सकता है अगर अतिरिक्त चिप्स अपना समय डेटा या एक-दूसरे का इंतज़ार करने में बिताएँ। Google का दावा कच्चे आकार से ज़्यादा सीमित और मज़बूत है: मशीन बढ़ी, और उसने अपेक्षित प्रदर्शन का ज़्यादातर हिस्सा बनाए रखा। फ्रंटियर मॉडल प्रशिक्षित करने वाले ग्राहक के लिए बहुत बड़े जॉब पर बीता समय सीधा कारोबारी तथ्य है, क्योंकि जॉब पूरा होने तक महँगी क्षमता घेरे रहता है।
एजेंटिक लर्निंग उन सिस्टमों को बढ़ावा देती है जो चिप्स को लगातार काम देते रहते हैं
इस दौर में एजेंटिक रीइन्फ़ोर्समेंट लर्निंग का पहला MLPerf बेंचमार्क भी शामिल था। रीइन्फ़ोर्समेंट लर्निंग किसी सिस्टम को उसके कार्यों पर मिलने वाली प्रतिक्रिया से प्रशिक्षित करती है। एजेंटिक संस्करण में सिस्टम काम करता है—इस मामले में कोड पैदा करता है—और काम चलते-चलते नतीजे से सीखता भी है। इससे शेड्यूलिंग की समस्या खड़ी होती है और गणना की भी: जनरेशन और लर्निंग दोनों का ध्यान बँटता है, और अगर ये दोनों गतिविधियाँ ताल से बाहर हो जाएँ तो महँगी प्रशिक्षण चिप्स खाली पड़ी रह सकती हैं।
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.
स्रोत: Google, 16 नवंबर 2026. Google, New AI training performance benchmarks for Google TPUsउस परीक्षण में 640 Ironwood TPU ने कोडिंग बेंचमार्क की लक्ष्य सटीकता 18.02 मिनट में हासिल की और 0.69 के लक्ष्य के मुकाबले 0.765 अंक पाए। नतीजों की सूची मॉडल को Qwen3.5-397B बताती है। Google कहता है कि सिस्टम ने कोड जनरेशन और लर्निंग एक साथ चलाए, इसलिए प्रशिक्षण चिप्स ने 3% से कम समय इंतज़ार किया। इंतज़ार का यह कम हिस्सा ही बताता है कि यह नतीजा प्री-ट्रेनिंग के समय के पीछे नहीं, बल्कि उसके बगल में क्यों रखा जाना चाहिए। प्री-ट्रेनिंग दिखाती है कि तालमेल वाला क्लस्टर किसी ज्ञात कार्यभार को कितनी तेज़ी से पूरा कर सकता है। एजेंटिक लर्निंग दिखाती है कि वही तरह का क्लस्टर तब भी उत्पादक रहता है या नहीं जब कार्यभार चलते-चलते अपने लिए नई सामग्री पैदा करता रहता है।
NVIDIA के नतीजे इस पेशकश को एक चिप के प्रति निष्ठा का नहीं, Google Cloud का मामला बनाते हैं
Google ने NVIDIA हार्डवेयर पर एक प्री-ट्रेनिंग नतीजा भी प्रकाशित किया। Google Cloud A4X Max इंस्टेंस पर 256 NVIDIA GB300 GPU ने DeepSeek-V3 के लिए लक्ष्य मॉडल बेंचमार्क गुणवत्ता 31.96 मिनट में हासिल की। कंपनी एजेंटिक रीइन्फ़ोर्समेंट लर्निंग बेंचमार्क पर पाँच A4X और A4X Max सबमिशन भी जोड़ती है, जिनमें GB200 और GB300 सिस्टम शामिल हैं। पाठक को Ironwood और NVIDIA के समय को अलग-अलग डिवाइसों के बीच सीधा मुकाबला नहीं मानना चाहिए। चिप की संख्या में बड़ा अंतर है, इंस्टेंस अलग हैं, और बेंचमार्क उस पूरे कॉन्फ़िगर किए गए सिस्टम को महत्व देता है जो Google ने प्रस्तुत किया।
इस तरह पढ़ने पर NVIDIA वाले नतीजे Ironwood की सुर्खी का अर्थ बदल देते हैं। Google यह नहीं कह रहा कि ग्राहकों को अपने क्लाउड का इस्तेमाल करने के लिए उसका सिलिकॉन चुनना ही होगा। वह यह कह रहा है कि उसका क्लाउड एक से ज़्यादा तरह के बड़े प्रशिक्षण सिस्टमों के लिए सक्षम ठिकाना है, और हर मामले में नेटवर्किंग तथा सॉफ़्टवेयर Google ही देता है। Ironwood अब भी प्रमुख नतीजा है और यह सबसे स्पष्ट बयान है कि Google शुरू से अंत तक क्या बना सकता है। Blackwell वाले नतीजे इस कारोबारी दावे को चौड़ा करते हैं: जो खरीदार पहले से NVIDIA हार्डवेयर के प्रति प्रतिबद्ध है, उसे भी जॉब Google Cloud पर चलाने का न्योता दिया जा रहा है।
नया दस्तावेज़ विषय पहुँच से क्षमता की ओर बदलता है
इसी प्रकाशन-क्रम के पहले के Google दस्तावेज़ व्यक्तिगत उपयोगकर्ता के स्तर पर काम करते थे। 13 नवंबर 2026 को Google ने अमेरिका में Gemini ऐप उपयोगकर्ताओं से कहा कि वे Google Wallet जोड़ सकते हैं ताकि जवाब उनकी खर्च की आदतों से जानकारी ले सकें, जिसमें सिर्फ़ पढ़ने की पहुँच और कनेक्शन पर उपयोगकर्ता का नियंत्रण होगा। उसी दिन एक अलग दस्तावेज़ ने Google AI Pro और Ultra सब्सक्राइबर के लिए Google AI Studio में Google Cloud क्रेडिट डाले, ताकि डेवलपर मासिक क्रेडिट ले सकें और अपना वर्कस्पेस छोड़े बिना विकास का काम जारी रख सकें। वे कदम पहुँच चौड़ी करते थे और व्यक्तिगत संदर्भ गहरा करते थे।
यह दस्तावेज़ किसी और पाठक से बात करता है: ऐसी लैब या कंपनी जो मॉडल प्रशिक्षित करती है और क्लस्टर के हिसाब से गणना क्षमता खरीदती है। उसका सवाल यह नहीं है कि कोई सहायक किसी एक व्यक्ति के बारे में ज़्यादा जानता है या नहीं। उसका सवाल है कि कोई बड़ा प्रशिक्षण जॉब कितनी जल्दी पूरा होता है, तालमेल की लागत लाभ को खा जाने से पहले वह कितना बढ़ता है, और क्या अनियमित एजेंटिक काम हार्डवेयर को व्यस्त रखता है। यही विषयांतर वह संदर्भ है जो इस बेंचमार्क को महज़ एक स्कोर से बढ़कर बनाता है। Google ने पहले की घोषणाओं में Gemini और AI Studio में प्रवेश आसान बनाने पर समय बिताया। अब उसे उन उत्पादों के नीचे का औद्योगिक आधार दिखाना है—और उस आधार को ऐसे ग्राहकों को बेचना है जो शायद कभी उपभोक्ता ऐप का इस्तेमाल ही न करें।
बेंचमार्क का समय संकीर्ण शर्तों वाला एक वादा है
रिपोर्ट किए गए सभी समय MLPerf के उस प्रशिक्षण समय को नापते हैं जो आधिकारिक संदर्भ चेकपॉइंट से लेकर लक्ष्य अभिसरण मानदंड तक लगता है, जैसा Google दस्तावेज़ में बताता है। यह परिभाषा जमा किए गए रन को दौर के नियमों के तहत तुलनीय बनाती है। यह इस बात को भी सीमित करती है कि खरीदार इन नतीजों से क्या जान पाता है। प्रकाशित नतीजे किसी रन की कीमत नहीं देते, ऊर्जा का आँकड़ा नहीं देते, और यह नहीं बताते कि नया ग्राहक कितनी Ironwood क्षमता कब तक पा सकता है। ये चूक मायने रखती हैं क्योंकि तेज़ बेंचमार्क सिस्टम को उत्पादन के पैमाने पर उपलब्ध और किफ़ायती भी होना पड़ता है, तभी वह समय बचत में बदलता है।
अगला MLPerf दौर परखेगा कि क्या प्रतिद्वंद्वी स्केलिंग का अंतर पाटते हैं और क्या Google इस बेंचमार्क के परिपक्व होने के साथ एजेंटिक नतीजा दोहरा पाता है। तब तक समर्थित निष्कर्ष सटीक है। Google ने ऐसे प्रशिक्षण प्लेटफ़ॉर्म का दस्तावेज़ीकरण किया है जिसका लाभ पैमाने पर तालमेल में है—प्री-ट्रेनिंग और एक नए एजेंटिक परीक्षण, दोनों में—और उसने यह दावा अपनी चिप्स तथा अपने क्लाउड के ज़रिए बिकने वाले NVIDIA सिस्टमों, दोनों पर रखा है। बताए गए परीक्षण के भीतर गति वास्तविक है। कारोबारी मूल्य क्षमता और लागत से तय होगा, जिन्हें यह दस्तावेज़ बिना कीमत बताए छोड़ देता है।
स्रोत: 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) · तिथि:



