Новые результаты тестов Google показывают: скорость покупается масштабом, а согласованность — проектированием, а не одиночным прорывом в чипе. Ironwood достигает заявленного времени только тогда, когда тысячи процессоров обучают модель вместе и почти не простаивают, тогда как гораздо меньшая система NVIDIA в том же облаке тратит на ту же модель куда больше времени. Состязание, в котором Google действительно побеждает, — это борьба за то, чтобы огромная машина не простаивала.
| Документ | Сведения |
|---|---|
| Кем издан | |
| Опубликован | 16 ноября 2026 г. |
| Официальный текст | blog.google |
| Связанные официальные страницы | 2 |
| Прежних документов для сравнения | 2 |
Документ New AI training performance benchmarks for Google TPUs, опубликованный Google 16 ноября 2026 года, сообщает о 10 результатах в раунде бенчмарка MLPerf Training v6.1. MLPerf — общий тест: каждый участник начинает обучение модели с официального эталонного чекпоинта — стартовой версии модели — и ведёт его, пока не будет достигнуто заданное целевое качество или точность. Разброс результатов важен потому, что Google представляет своё облако, а не только свой чип, как место, где работает и тот и другой тип оборудования.
Скорость предобучения приходит, когда тысячи чипов работают вместе
Предобучение — это долгая первая фаза, в которой модель учится на больших объёмах данных, прежде чем её дообучают. На DeepSeek-V3, модели из списка результатов, 8 192 TPU Ironwood достигли целевого качества бенчмарка за 1,70 минуты. Google также сообщает о масштабировании до 4 096 чипов с эффективностью 96%. Эффективность здесь описывает, какая доля ожидаемого прироста от добавления чипов сохраняется на практике. Добавление процессоров влечёт накладные расходы на координацию: работу нужно разделить, результаты нужно обменивать, а частичные результаты — объединять. Высокий показатель означает, что на координацию теряется меньшая доля добавленной мощности.
Google объясняет результат своей архитектурой AI Hypercomputer и тем, что кремний, сети и открытое ПО проектировались вместе. Это объяснение самой компании, и именно показатель масштабирования придаёт ему вес. Кластер может быть большим, но бесполезным, если дополнительные чипы проводят время в ожидании данных или друг друга. Утверждение Google более узкое и при этом более сильное, чем просто размер: машина росла, сохраняя большую часть ожидаемой производительности. Для клиента, обучающего передовую модель, затраченное время на очень крупной задаче — прямой деловой факт, потому что задача занимает дорогостоящие мощности, пока не завершится.
Агентное обучение вознаграждает системы, которые не дают чипам простаивать
В раунд также вошёл первый бенчмарк MLPerf для агентного обучения с подкреплением. Обучение с подкреплением настраивает систему через обратную связь по её действиям. В агентном варианте система выполняет работу, в данном случае генерирует код, и учится на результате, пока работа продолжается. Так возникает не только вычислительная задача, но и задача планирования: генерация и обучение конкурируют за внимание, и дорогие обучающие чипы могут простаивать, если эти два процесса рассогласуются.
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.
Источник: Google, 16 ноября 2026 г.. Google, New AI training performance benchmarks for Google TPUsВ этом тесте 640 TPU Ironwood достигли целевой точности бенчмарка по программированию за 18,02 минуты, показав 0,765 при цели 0,69. В списке результатов модель указана как Qwen3.5-397B. Google говорит, что система выполняла генерацию кода и обучение одновременно, поэтому обучающие чипы простаивали менее 3% времени. Низкая доля ожидания объясняет, почему этот результат стоит рядом с временем предобучения, а не позади него. Предобучение показывает, как быстро согласованный кластер может пройти известную нагрузку. Агентное обучение показывает, остаётся ли продуктивным такой же кластер, когда нагрузка сама порождает новый материал для себя по ходу прогона.
Результаты NVIDIA смещают акцент на Google Cloud, а не на приверженность одному чипу
Google также опубликовал результат предобучения на оборудовании NVIDIA. На инстансах Google Cloud A4X Max 256 GPU NVIDIA GB300 достигли целевого качества модели в бенчмарке за 31,96 минуты для DeepSeek-V3. Компания добавляет пять заявок A4X и A4X Max в бенчмарке агентного обучения с подкреплением, охватывающих системы GB200 и GB300. Читателю не стоит воспринимать время Ironwood и NVIDIA как прямое состязание отдельных устройств. Количество чипов резко различается, инстансы различаются, а бенчмарк вознаграждает всю сконфигурированную систему, которую подала Google.
При таком прочтении результаты NVIDIA меняют смысл заголовка об Ironwood. Google не утверждает, что клиенты обязаны выбрать его собственный кремний, чтобы пользоваться его облаком. Google утверждает, что его облако — надёжная площадка для крупных обучающих систем более чем одного типа, причём сети и ПО в каждом случае предоставляет Google. Ironwood остаётся флагманским результатом и самым ясным заявлением о том, что Google способен построить от начала до конца. Результаты Blackwell расширяют коммерческий тезис: покупателю, уже сделавшему ставку на оборудование NVIDIA, по-прежнему предлагают запускать задачу в Google Cloud.
Новый документ смещает тему с доступа на мощности
Более ранние документы Google в той же серии публикаций работали на уровне отдельного пользователя. 13 ноября 2026 года Google сообщил пользователям приложения Gemini в США, что они могут подключить Google Wallet для ответов, основанных на их привычках тратить, с доступом только для чтения и контролем пользователя над подключением. Отдельный документ в тот же день разместил кредиты Google Cloud в Google AI Studio для подписчиков Google AI Pro и Ultra, чтобы разработчики могли получать ежемесячные кредиты и продолжать работу, не покидая своё рабочее пространство. Эти шаги расширили доступ и углубили личный контекст.
Этот документ обращён к другому читателю: лаборатории или компании, которая обучает модели и покупает вычислительные мощности кластерами. Её вопрос не в том, знает ли ассистент больше об одном человеке. Её вопрос в том, как быстро завершается крупная задача обучения, как далеко она масштабируется, прежде чем координация съест прирост, и остаётся ли оборудование занятым при неравномерной агентной работе. Этот контраст — тот контекст, который делает бенчмарк больше, чем просто оценкой. Ранними анонсами Google сделал Gemini и AI Studio проще для входа. Теперь ему нужно показать индустриальную основу под этими продуктами и продать эту основу клиентам, которые, возможно, никогда не воспользуются потребительским приложением.
Время в бенчмарке — обещание на узких условиях
Все приведённые времена измеряют время MLPerf на обучение от официального эталонного чекпоинта до целевого критерия сходимости, как указывает Google в документе. Это определение делает поданные прогоны сопоставимыми по правилам раунда. Оно же ограничивает то, что узнаёт покупатель. Опубликованные результаты не дают ни цены прогона, ни данных об энергопотреблении, ни заявления о том, сколько мощностей Ironwood может получить новый клиент и когда. Эти пробелы важны, потому что быстрая система из бенчмарка всё равно должна быть доступна в промышленном масштабе и стоить приемлемо, прежде чем время превратится в экономию.
Следующий раунд MLPerf покажет, сократят ли конкуренты разрыв в масштабировании и сможет ли Google повторить агентный результат по мере взросления этого бенчмарка. До тех пор обоснованный вывод точен. Google задокументировал обучающую платформу, преимущество которой лежит в координации в масштабе — и в предобучении, и в новом агентном тесте, — и он обосновал это утверждение и своими чипами, и системами NVIDIA, продаваемыми через его облако. Скорость подтверждена в рамках заявленного теста. Коммерческую ценность решат мощности и стоимость, которые этот документ оставляет без цены.
Источник: 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) · Дата:



