最速・最大・最強：NVIDIA Blackwell が MLPerf Training 6.0 で圧勝

すべての画期的な AI モデルは同じ方法から始まります：トレーニング実行です。そのトレーニングジョブを実行するインフラストラクチャが、チームの反復速度、構築できるモデルのスケーラビリティ、そしてジョブが確実に完了するかどうかというすべてを形作ります。 モデルが大きくなり、複雑さや知能が増すにつれて、トレーニングインフラに対する要求も高まっています。 MLPerf Training 6.0 — AI トレーニング性能を評価するための厳格なピアレビュー付き業界ベンチマークのシリーズにおける最新のもの — では、NVIDIA Blackwell プラットフォームがすべてのカテゴリで首位に立ち、以下を実証しました： - すべてのベンチマークにおいて最速のトレーニング時間 - NVIDIA Blackwell NVL72 システムを使用した 8,192 GPU を用いた最大規模のトレーニング - スイート内の 7 つのすべてのベンチマークで提出を行った唯一のプラットフォーム NVIDIA は、パフォーマンス、スケーラビリティ、信頼性を単一のプラットフォームに統合しました。これは極限までのコードサインを通じて設計され、AI モデルビルダーが最先端モデルをより迅速に立ち上げ、トレーニングコストを最小化し、早期に収益創出を開始できるように支援します。 ## パフォーマンス：すべてのベンチマークで最速のトレーニング時間 MLPerf Training 6.0 では、スイートに 2 つの新しい [エキスパート混合](https://www.nvidia.com/en-us/glossary/mixture-of-experts/) (MoE) プリートレーニングワークロードが追加されました：DeepSeek-V3 671B と GPT-OSS-20B です。これは、MoE アーキテクチャの中心的な役割が増大していることを反映しています。NVIDIA プラットフォームはすべてのベンチマークで提出された唯一のものであり、7 つすべてにおいて最速のトレーニング時間を達成しました。 ![image](https://blogs.nvidia.com/wp-content/uploads/2026/06/end-to-end-graphics-mlperf-6.0-training-charts-5311563-v6_Slide2.jpg) 今回のラウンドでは、NVIDIA は NVIDIA GB200 NVL72 および GB300 NVL72 ラックスケールシステム両方において結果を提出しました。各ラックスケールシステム内では、第 5 世代の NVIDIA NVLink スイッチがすべての 72 個の GPU を高帯域で接続し、計算とメモリを統合されたプールとして機能させ、あたかも巨大な 1 つの GPU のように動作できるようにしています。 大規模な MoE（Mixture of Experts：エキスパート混合モデル）トレーニングは、[MoE インファレンス](https://blogs.nvidia.com/blog/mixture-of-experts-frontier-models/) と同じくオール・トゥー・オール通信の課題に直面しており、トークンを GPU 間でルーティングして適切なエキスパートサブネットワークへ到達させる必要がありますが、NVLLink の帯域幅の優位性が、スケールしても高速かつ効率的な処理を可能にしています。 また、NVIDIA は NVFP4 トレーニング手法も披露しました。これは、大規模および小規模な事前トレーニング、さらにはファインチューニングワークロードにおいて、厳格な精度要件を満たしつつ性能を向上させるものです。NVIDIA は引き続き、異なるモデルアーキテクチャ全体で低精度トレーニングの革新を推進しており、最近では NVFP4 を用いて、5,500 億パラメータという巨大な [NVIDIA Nemotron 3 Ultra](https://developer.nvidia.com/blog/nvidia-nemotron-3-ultra-powers-faster-more-efficient-reasoning-for-long-running-agents/) モデルの事前トレーニングを行いました。 **NVIDIA GB300 NVL72 が GB200 NVL72 に対して最大 1.6 倍の性能を達成:** このラウンドにおいて、GB300 NVL72 は同じ規模で GB200 NVL72 よりも最大 1.6 倍高速なトレーニングを実現しました。NVIDIAFP4（NVFP4）による高い計算密度、拡張されたメモリ容量、そして GPU がピークパフォーマンスを維持できるより高い電力上限といった、Blackwell Ultra の主要機能がこの改善を牽引しています。 ![image](https://blogs.nvidia.com/wp-content/uploads/2026/06/end-to-end-graphics-mlperf-6.0-training-charts-5311563-v7-slide1.jpg) ## スケール: MLPerf トレーニングにおける最大規模の Blackwell クラスター 大規模な分散トレーニングをサポートするため、NVIDIA は 2 つの補完的なスケールアウト・ネットワークプラットフォームを提供しています。[NVIDIA Quantum InfiniBand](https://www.nvidia.com/en-us/networking/quantum2/) と [NVIDIA Spectrum-X Ethernet](https://www.nvidia.com/en-us/networking/spectrumx/) です。これにより、データセンターは自社のインフラに最適化された大規模クラスターを構築する柔軟性を得られます。 スイート内で最大の MoE モデルである DeepSeek-V3 671B では、NVIDIA は GB200 NVL72 システムを使用して 8,192 個の GPU を用いた提出を行いました。これは MLPerf トレーニングにおいてこれまでに発表された中で最大規模の Blackwell ベースの提出です。 また、スイート内で最大の密集型大規模言語モデル（LLM）の一つである Llama 3.1 405B においても、NVIDIA は NVIDIA GB200 NVL72 システムを使用して 5,120 個の GPU で結果を提出しました。 ![image](https://blogs.nvidia.com/wp-content/uploads/2026/06/end-to-end-graphics-mlperf-6.0-training-charts-5311563-v6_Slide3.jpg) 今回の結果は、システムアーキテクチャ、ネットワーク、ソフトウェアにおける NVIDIA とそのパートナーとの深い共同設計の成果も反映しています: - Microsoft Azure は GB200 NVL72 システムを用いて 8,192 個の GPU で Llama 3.1 405B のトレーニングをスケーリングし、7.07 分でリファレンス品質目標に到達しました。これはこのベンチマークにおける最速のトレーニング時間です。 - CoreWeave は Spectrum-X Ethernet ネットワークで接続された GB300 NVL72 システムを用いて 8,192 個の GPU スケールで DeepSeek-V3 671B のトレーニングを行い、2.02 分で品質目標に到達しました。これが最速のトレーニング時間です。 ## 大規模信頼性：本番向けに設計 本番環境でのトレーニングでは、数百数千の GPU にまたわり数週間から数ヶ月にわたる実行が行われることもあります。そのようなスケールにおいて、効果的なトレーニングスループットは、システムの性能と、時間をかけて再現性を可能にするレジリエンス（耐障害性）の両方に依存します。 上記の MLPerf Training v6.0 の結果は、NVIDIA プラットフォームの性能を示すものです。一方、レジリエンスについては、NVIDIA のプラットフォームが 2 つの次元にわたって設計されています: - 中断の減少：NVIDIA GPU は、故障が発生する前にそれを回避するように設計されています。GPU がデータセンターに配備される前には、潜在的な欠陥を早期に検出するために、30 以上の製造工程におけるテスト段階で NVIDIA によってスクリーニングされます。一度配備されると、信頼性・可用性・保守性エンジン（Reliability, Availability and Serviceability Engine）がチップのほぼ全体を監視し、自己修復機能により検出された故障を自動的に迂回してワークロードの中断を防ぎます。ネットワークレベルでは、Spectrum-X Ethernet が失敗したリンクをミリ秒単位で迂回し、ジョブを妨害することなくファブリックを健全に保ちます。 - 中断発生時の迅速な回復：NVIDIA Resiliency Extension（NVRx）は、故障が発生した場合の損失時間を最小限に抑え、クラスタ全体にわたる故障検出、回復、ヘルスモニタリングの機能を備えています。パフォーマンスが低下しているノードを、他のノードの速度を低下させる前に自動的に検出して管理します。あるノードで中断が発生した際、システムはジョブ全体を再起動するのではなく、直近のチェックポイント（トレーニング状態のスナップショット）から再開します。 ## NVIDIA を基盤とした Frontier AI NVIDIA エコシステムのパートナーもまた、このラウンドに広く参加し、ASUSTeK、Microsoft Azure、Cisco、CoreWeave、Dell Technologies、富士通、Giga Computing、Google Cloud、Hewlett Packard Enterprise、Inventec、Krai、Lambda、Nebius、Netweb Technologies India Ltd.、Quanta Cloud Computing (QCT)、ScitiX、Supermicro、TTA の 19 組織から魅力的な提出がありました。これらのパートナーの多くは、NVIDIA インフラ上で最も要求の高い AI トレーニングワークロードを実行しています。 Dell PowerRack システム内に NVIDIA インフラを収容し、Dell PowerEdge サーバーを搭載している CoreWeave は、これらのワークロードのいくつかをホストしています。[Cohere は、GB200 NVL72 で北米向けエージェント AI プラットフォームのトレーニングを 3 倍高速化しました](https://www.coreweave.com/resources/case-studies/cohere-accelerates-training-of-north-agentic-ai-for-enterprise)。Blackwell クラスターで v8 画像生成モデルのトレーニングを行った Midjourney は、今後登場する画像および動画モデルのトレーニングのために、CoreWeave 上で大規模な Blackwell Ultra GPU フリートをスケールさせています。 [Google Cloud 上では、Thinking Machines Lab](https://www.googlecloudpresscorner.com/2026-04-22-Thinking-Machines-Expands-Use-of-Google-Cloud-AI-Hypercomputer) が、先行世代の GPU と比較して GB300 NVL72 でトレーニングおよび推論速度が 2 倍向上し、最先端モデルの研究と強化学習ワークロードを加速させました。 Nebius は、AI クラウド上で NVIDIA Blackwell および Blackwell Ultra インフラストラクチャを運用し、[Higgsfield](https://www.nvidia.com/en-us/case-studies/higgsfield/) のモデル学習時間を 30% 短縮することを可能にしました。これにより、現在 2,200 万人のユーザーにサービスを提供し、1 日に 600 万点以上の AI コンテンツを生成するプラットフォームが支えられています。 MLPerf Training 6.0 の結果およびその背後にある最適化技術についてより詳細な技術的な解説をお読みになりたい場合は、こちらの [技術ブログ](https://developer.nvidia.com/blog/nvidia-blackwell-tops-mlperf-training-6-0-with-industry-leading-scale-and-performance/) をご覧ください。

最速・最大・最強：NVIDIA Blackwell が MLPerf Training 6.0 で圧勝

背景や根拠まで確認しますか？

調べる

選ぶ

サイト