Ir às notícias
← Notícias
Análise

TPUs Ironwood do Google treinam o DeepSeek-V3 em 1,70 minutos

Siga no Telegram

Os novos resultados de treinamento do Google mostram velocidade obtida com escala e coordenação obtida com o desenho do sistema — e não um avanço isolado de chip. O Ironwood só alcança seu tempo de manchete quando milhares de processadores treinam juntos com pouca espera, enquanto um sistema NVIDIA muito menor, na mesma nuvem, leva bem mais tempo no mesmo modelo. A disputa que o Google está de fato vencendo é a de manter uma máquina enorme ocupada.

Documento oficial
DocumentoDados
Emitido porGoogle
Publicado16 de novembro de 2026
Texto oficialblog.google
Páginas oficiais vinculadas2
Documentos anteriores comparados2
Fonte: Google.

O documento New AI training performance benchmarks for Google TPUs, publicado pelo Google em 16 de novembro de 2026, relata 10 resultados na rodada do benchmark MLPerf Training v6.1. O MLPerf é um teste compartilhado: cada participante treina a partir de um checkpoint de referência oficial — uma versão inicial de um modelo — até atingir uma meta definida de qualidade ou acurácia. A diferença entre os resultados importa porque o Google está apresentando sua nuvem, e não apenas seu chip, como o lugar onde os dois tipos de hardware entregam desempenho.

A velocidade de pré-treinamento chega com milhares de chips trabalhando juntos

O pré-treinamento é a longa primeira fase em que um modelo aprende com grandes volumes de dados antes do ajuste posterior. No DeepSeek-V3, modelo citado na lista de resultados, 8.192 TPUs Ironwood atingiram a qualidade-alvo do benchmark em 1,70 minutos. O Google também relata escala de até 4.096 chips com 96% de eficiência. Eficiência aqui descreve quanto do ganho esperado ao se adicionarem chips sobrevive na prática. Adicionar processadores traz custos de coordenação, porque o trabalho precisa ser dividido, os resultados precisam ser trocados e os resultados parciais precisam ser combinados. Um número alto significa que menos da potência adicional se perde nessa coordenação.

O Google atribui o resultado à sua arquitetura AI Hypercomputer e ao projeto conjunto de silício, rede e software aberto. Essa é a explicação da própria empresa, e o dado de escala é a parte que lhe dá peso. Um cluster pode ser grande sem ser útil se os chips extras passarem o tempo esperando por dados ou uns pelos outros. A alegação do Google é mais restrita e mais forte do que o tamanho bruto: a máquina cresceu mantendo a maior parte do desempenho esperado. Para um cliente que treina um modelo de fronteira, o tempo decorrido em uma tarefa muito grande é um fato comercial direto, porque a tarefa ocupa capacidade cara até terminar.

O aprendizado agêntico favorece sistemas que mantêm os chips alimentados

A rodada também incluiu o primeiro benchmark MLPerf para aprendizado por reforço agêntico. O aprendizado por reforço treina um sistema por meio de feedback sobre suas ações. Em uma versão agêntica, o sistema executa trabalho — neste caso, gerando código — e aprende com o resultado enquanto o trabalho continua. Isso cria um problema de escalonamento de tarefas além de um problema de computação: geração e aprendizado disputam atenção, e chips de treinamento caros podem ficar ociosos se as duas atividades saírem de sincronia.

Do documento
Texto original, citado como publicado.

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.

Fonte: Google, 16 de novembro de 2026. Google, New AI training performance benchmarks for Google TPUs

Nesse teste, 640 TPUs Ironwood atingiram a acurácia-alvo do benchmark de programação em 18,02 minutos, com pontuação de 0,765 contra uma meta de 0,69. A lista de resultados identifica o modelo como Qwen3.5-397B. O Google afirma que o sistema executou geração de código e aprendizado simultaneamente, de modo que os chips de treinamento esperaram menos de 3% do tempo. A baixa proporção de espera explica por que esse resultado pertence ao lado do tempo de pré-treinamento, e não atrás dele. O pré-treinamento mostra quão rápido um cluster coordenado pode avançar por uma carga de trabalho conhecida. O aprendizado agêntico mostra se o mesmo tipo de cluster continua produtivo quando a carga de trabalho segue produzindo novo material para si mesma durante a execução.

Os resultados NVIDIA fazem o discurso ser sobre o Google Cloud, não sobre lealdade a um único chip

O Google também publicou um resultado de pré-treinamento em hardware NVIDIA. Em instâncias Google Cloud A4X Max, 256 GPUs NVIDIA GB300 atingiram a qualidade-alvo do benchmark do modelo em 31,96 minutos para o DeepSeek-V3. A empresa inclui também cinco submissões A4X e A4X Max no benchmark de aprendizado por reforço agêntico, cobrindo sistemas GB200 e GB300. O leitor não deve tratar os tempos do Ironwood e da NVIDIA como um confronto direto entre dispositivos individuais. As contagens de chips diferem acentuadamente, as instâncias diferem, e o benchmark premia o sistema configurado como um todo que o Google submeteu.

Lidos assim, os registros NVIDIA mudam o significado da manchete do Ironwood. O Google não argumenta que os clientes precisam escolher o silício da própria empresa para usar sua nuvem. Argumenta que sua nuvem é um lar competente para grandes sistemas de treinamento de mais de um tipo, com rede e software fornecidos pelo Google em cada caso. O Ironwood continua sendo o resultado carro-chefe e a afirmação mais clara do que o Google consegue construir de ponta a ponta. Os resultados Blackwell ampliam a alegação comercial: um comprador já comprometido com hardware NVIDIA ainda é convidado a rodar a tarefa no Google Cloud.

O novo documento muda o assunto de acesso para capacidade

Documentos anteriores do Google na mesma leva de publicações atuavam no nível do usuário individual. Em 13 de novembro de 2026, o Google informou aos usuários do app Gemini nos EUA que eles podiam conectar o Google Wallet para respostas informadas por seus hábitos de gasto, com acesso somente leitura e controle do usuário sobre a conexão. Um documento separado no mesmo dia colocou créditos do Google Cloud dentro do Google AI Studio para assinantes do Google AI Pro e Ultra, para que desenvolvedores pudessem resgatar créditos mensais e continuar construindo sem sair do espaço de trabalho. Esses movimentos ampliaram o acesso e aprofundaram o contexto pessoal.

Este documento fala a um leitor diferente: um laboratório ou empresa que treina modelos e compra capacidade de computação por cluster. Sua pergunta não é se um assistente sabe mais sobre uma pessoa. Sua pergunta é com que rapidez uma grande tarefa de treinamento termina, até onde ela escala antes que a coordenação devore o ganho, e se o trabalho agêntico irregular mantém o hardware ocupado. O contraste é o contexto que torna o benchmark mais do que uma pontuação. O Google usou os anúncios anteriores para tornar o Gemini e o AI Studio mais fáceis de acessar. Agora precisa mostrar a base industrial por trás desses produtos e vender essa base a clientes que talvez nunca usem o app de consumo.

Um tempo de benchmark é uma promessa com termos estreitos

Todos os tempos relatados medem o tempo MLPerf de treinamento do checkpoint de referência oficial até o critério de convergência-alvo, conforme o Google declara no documento. Essa definição torna as execuções submetidas comparáveis sob as regras da rodada. Também limita o que um comprador aprende. Os resultados publicados não trazem preço por execução, nem número de energia, nem declaração sobre quanta capacidade Ironwood um novo cliente pode obter, ou quando. Essas omissões importam porque um sistema de benchmark rápido ainda precisa estar disponível e ter preço viável em escala de produção antes que o tempo se converta em economia.

A próxima rodada do MLPerf testará se os rivais fecham a lacuna de escala e se o Google consegue repetir o resultado agêntico à medida que esse benchmark amadurece. Até lá, o veredicto sustentado é preciso. O Google documentou uma plataforma de treinamento cuja vantagem está na coordenação em escala, tanto no pré-treinamento quanto em um novo teste agêntico, e apoiou essa alegação em seus próprios chips e em sistemas NVIDIA vendidos por sua nuvem. A velocidade é real dentro do teste declarado. O valor comercial será decidido por capacidade e custo, que este documento deixa sem precificação.

Fonte: 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) · Data:

TPUs Ironwood do Google treinam o DeepSeek-V3 em 1,70 minutos