MLCommons divulgou os resultados do benchmark MLPerf Inference v6.1 em 16 de setembro de 2026, e o título pertencia à plataforma de próxima geração da NVIDIA. Em sua primeira apresentação prévia, o sistema Vera Rubin NVL72 entregou até 3,7 vezes o rendimento do atual carro-chefe GB300 NVL72 da NVIDIA, de acordo com o anúncio da NVIDIA, um sinal inicial do que o sucessor do Blackwell Ultra significará para a economia de inferência de IA.
Vera Rubin é a próxima plataforma de data center da NVIDIA, batizada em homenagem ao astrofísico que forneceu evidências importantes da matéria escura. Os resultados da visualização do MLPerf são os primeiros dados de desempenho públicos e organizados de forma independente para o sistema. Para mais contexto sobre esta história, confira nossa últimos desenvolvimentos em IA.
Os números por trás da estreia
NVIDIA submitted Vera Rubin NVL72 preview results on two of the most demanding workloads in the v6.1 suite: the DeepSeek-R1 reasoning model and the Qwen3-VL vision-language model.
No Qwen3-VL, Vera Rubin NVL72 forneceu rendimento até 3,7 vezes maior que o GB300 NVL72 em cenários off-line, de servidor e interativos, executando vLLM com a estrutura de inferência de código aberto Dynamo da NVIDIA. No DeepSeek-R1, usando a biblioteca TensorRT-LLM da NVIDIA, o rendimento foi até 2,5 vezes maior do que o carro-chefe anterior.
Ambos os números vêm dos próprios envios da NVIDIA à Divisão Fechada da MLCommons, o que significa que foram produzidos sob as regras auditadas da MLPerf, embora os resultados da visualização sejam explicitamente medições iniciais de uma plataforma ainda sendo otimizada.
Como os ganhos são construídos
A NVIDIA atribui o salto ao co-design full-stack em hardware e software, em vez de qualquer componente único.
No lado do silício, Vera Rubin traz Tensor Cores aprimorados e um Transformer Engine atualizado que acelera ambos os estágios de inferência – a fase de pré-preenchimento de computação pesada e a fase de decodificação vinculada à memória. A plataforma se baseia na precisão do NVFP4, que reduz o consumo de memória dos pesos dos modelos, da atenção e do cache KV, aumentando o rendimento com o que a NVIDIA descreve como perda mínima de qualidade de saída.
On the software side, the submissions used disaggregated serving, which separates prefill and decode onto different tasks, along with large-scale expert parallelism to keep the mixture-of-experts layers in models like DeepSeek-R1 and Qwen3-VL fully fed with work.
A interconexão é o terceiro pilar. O design do rack NVL72 vincula 72 GPUs em um único domínio de expansão usando NVLink e NVLink Switch de sexta geração, que a NVIDIA afirma oferecer taxas de pacotes 10 vezes mais altas e latência 3 vezes menor do que a Ethernet disponível no mercado – a base que torna prático o serviço desagregado em escala de rack.
GB300 mostra escala quase perfeita
O carro-chefe atual teve suas próprias novidades na rodada v6.1. O envio do DeepSeek-R1 da NVIDIA foi dimensionado de um único rack GB300 NVL72 – 72 GPUs – para quatro racks, 288 GPUs, alcançando 99% de eficiência de dimensionamento no cenário offline, com o rendimento crescendo quase proporcionalmente ao hardware adicionado.
A eficiência de escalonamento é uma métrica que os operadores de data centers observam de perto porque determina se comprar mais hardware realmente compra proporcionalmente mais capacidade. O escalonamento quase linear entre racks sugere que o gargalo nessa escala permanece no desempenho por GPU, e não na comunicação entre racks.
O software continua aumentando
Um padrão recorrente nas rodadas MLPerf se manteve novamente: as melhorias de software por si só proporcionaram desempenho até 1,6 vezes maior nos envios v6.1 da NVIDIA em comparação com a v6.0, e a empresa diz que as otimizações continuaram a chegar após o prazo de envio da v6.1, proporcionando ganhos adicionais.
Para os compradores, a implicação é que um determinado rack fica mais rápido ao longo de sua vida útil sem uma atualização de hardware – uma dinâmica que a NVIDIA usou para argumentar que sua base instalada se valoriza em vez de depreciar à medida que a pilha de software amadurece.
Cargas de trabalho agênticas remodelam os benchmarks
A rodada v6.1 também refletiu uma mudança na forma como a inferência está sendo usada. A NVIDIA apontou para testes preliminares no benchmark AgentX da SemiAnalysis, projetado em torno de agentes de IA que raciocinam, planejam e agem em várias etapas, onde diz que Vera Rubin NVL72 entregou 30 vezes o desempenho do GB300 NVL72.
A MLCommons também está preparando um benchmark dedicado para essa mudança: o próximo benchmark MLPerf Endpoints visa padronizar a medição de cargas de trabalho de inferência de agentes que os testes de rendimento tradicionais capturam mal. À medida que a inferência passa do bate-papo de prompt único para longas sessões de agente em várias etapas, a latência e a consistência interativa são tão importantes quanto os tokens brutos por segundo – e os benchmarks estão sendo reconstruídos de acordo.
Nebius e o ecossistema chegam cedo
O provedor de nuvem Nebius também apresentou os resultados de visualização do Vera Rubin NVL72, que a NVIDIA destacou como evidência de forte desempenho inicial do ecossistema. Os envios iniciais de terceiros são normalmente um sinal de que os sistemas da próxima geração estão passando da amostragem de laboratório para uma disponibilidade mais ampla, embora nem a postagem da NVIDIA nem o lançamento do MLCommons especifiquem o tempo de disponibilidade geral.
Por que é importante para a economia da IA
A NVIDIA enquadra os resultados em termos de receita: cada rack Vera Rubin NVL72 gera significativamente mais tokens, atende mais usuários e reduz o custo por token em relação a um rack GB300 NVL72. Em um setor onde a demanda de inferência é impulsionada por modelos de raciocínio e cargas de trabalho de agentes que consomem muito mais computação por consulta do que um simples bate-papo, a taxa de transferência por rack é o número que determina quantos usuários um orçamento fixo de data center pode atender.
As advertências usuais se aplicam: trata-se de envios de fornecedores em uma rodada de pré-visualização, em dois modelos escolhidos pela NVIDIA, com otimizações ainda chegando. Mas a direção é inequívoca. A primeira análise do MLPerf sobre Vera Rubin sugere que o aumento de desempenho que definiu a infraestrutura de IA desde 2023 não tem nenhum patamar à vista – e que o próximo ciclo de atualização de rack redefinirá novamente a economia de servir IA em escala.
---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
