Die Ergebnisse von MLPerf Training v6.1 sind da. Das Industriekonsortium MLCommons hat am 16. November 2026 die neue Runde des wichtigsten herstellerübergreifenden Benchmarks für KI-Training veröffentlicht. Erstmals dabei sind Nvidias Rubin-Generation und Googles TPU der siebten Generation, Ironwood. Neu ist außerdem ein Test für das Nachtraining von Sprachmodellen mit Reinforcement Learning, der die Entwicklung von KI-Agenten abbilden soll.
MLPerf Training v6.1: Rekordbeteiligung und zwei neue Tests
Laut MLCommons reichten 24 Organisationen insgesamt 153 Systeme ein, die 250 Testergebnisse lieferten. 57 Systeme oder 37 Prozent liefen in der Cloud, nach 29 Prozent in der Vorrunde v6.0. Zwölf Systeme nutzten 1.000 oder mehr Beschleuniger, das größte 10.240. Zum Einsatz kamen Chips von Nvidia, AMD und Google. Mit Crusoe ist ein Cloud-Anbieter erstmals als Einreicher dabei.
Zwei Benchmarks sind neu:
- DLRMv4-HSTU ersetzt den bisherigen Empfehlungssystem-Test DLRM-dcnv2. Er nutzt die aufmerksamkeitsbasierte HSTU-Architektur und den Yambda-Datensatz, einen der größten offenen Datensätze für Empfehlungen.
- Qwen3.5-397B ist laut MLCommons der erste Test für großskaliges Nachtraining (Post-Training) mit Group Relative Policy Optimization (GRPO). Das Modell lernt dabei, Software-Engineering-Aufgaben zu lösen, unter anderem durch Tool-Aufrufe.
Der zweite Punkt ist der eigentlich interessante. Bisher maß MLPerf vor allem, wie schnell ein Modell von Grund auf trainiert wird. Viele Fortschritte der vergangenen Monate, etwa bei agentischen Fähigkeiten, entstehen aber im Nachtraining. Dort wechseln sich Textgenerierung, Bewertung und Gewichtsaktualisierung ständig ab. Das belastet Systeme anders als klassisches Vortraining.
Nvidia: Vera Rubin verdoppelt die Leistung pro GPU
Nvidia hat Vera Rubin NVL72 erstmals eingereicht. Im technischen Blog von Nvidia nennt der Hersteller folgende Werte aus der geschlossenen Division:
- DeepSeek-V3 671B: 4,14 Minuten mit 1.024 GPUs auf 16 Racks. GB300 NVL72 brauchte in derselben Konfiguration 8,03 Minuten. Das entspricht nahezu der doppelten Leistung pro GPU.
- Qwen3.5-397B (GRPO): 10,44 Minuten mit 1.024 GPUs, gegenüber 13,78 Minuten für GB300 NVL72. Mit dem alternativen Inferenz-Backend vLLM waren es 10,94 Minuten.
- Übrige Benchmarks: Vera Rubin sei pro GPU 1,4- bis 1,6-mal schneller als GB300 NVL72.
- Skalierung: Über 97 Prozent Effizienz beim Schritt von 256 auf 1.024 GPUs im DeepSeek-V3-Test.
Nach Nvidias Angaben erreichte Vera Rubin bei sechs von sieben Benchmarks die schnellste Trainingszeit. Beim siebten, DeepSeek-V3, kam das absolut schnellste Ergebnis der Runde ebenfalls von Nvidia, allerdings von einem GB300-Cluster mit 10.240 GPUs: 1,38 Minuten. Rund 80 Prozent aller Einreichungen in der geschlossenen Division liefen laut Nvidia auf Nvidia-Plattformen. Zusätzlich veröffentlicht Nvidia Werte aus Wiederholungsläufen mit neuerer Software. Diese sind ausdrücklich nicht von MLCommons geprüft und sollten entsprechend vorsichtig gelesen werden.
Warum der RL-Test auch die CPU fordert
Der neue GRPO-Benchmark zeigt, wie sich die Anforderungen an Trainingssysteme verschieben. Beim Reinforcement Learning für Agenten erzeugt das Modell zunächst Lösungsversuche, sogenannte Rollouts. Diese werden in simulierten Umgebungen ausgeführt, etwa durch das Starten von Code oder das Prüfen von API-Aufrufen, und anschließend bewertet. Erst dann werden die Gewichte aktualisiert. Ein Teil dieser Arbeit läuft nicht auf der GPU, sondern auf klassischen Prozessoren.
Nvidia betont deshalb die Rolle seiner Vera-CPU. Ein einzelnes Vera-CPU-Rack habe mit 256 CPUs mehr als 22.500 RL-Umgebungen gleichzeitig betrieben. Ob dieser Wert für andere Workloads repräsentativ ist, lässt sich aus dem Blog nicht ableiten. Er macht aber deutlich, dass beim agentischen Training nicht mehr nur die reine Rechenleistung der Beschleuniger zählt, sondern das Zusammenspiel von CPU, GPU und Netzwerk.
Google: Ironwood bei Vortraining und Agenten-Training
Google hat zehn Ergebnisse auf Ironwood-TPUs und Nvidia-GPUs in Google Cloud eingereicht. Laut Google-Blog erreichten 8.192 Ironwood-TPUs das Qualitätsziel im Vortrainings-Benchmark in 1,70 Minuten. Bis 4.096 Chips habe die Skalierungseffizienz bei 96 Prozent gelegen. Im neuen RL-Benchmark kamen 640 Ironwood-TPUs in 18,02 Minuten ans Ziel. Codegenerierung und Lernen liefen dabei parallel, sodass die Trainingschips weniger als 3 Prozent der Zeit warteten, so Google.
Die Zahlen widersprechen Nvidia nicht, sie messen nur andere Dinge. Nvidias 1,38 Minuten mit 10.240 GPUs und Googles 1,70 Minuten mit 8.192 TPUs sind unterschiedliche Systemgrößen. Nvidias 10,44 Minuten im RL-Test mit 1.024 GPUs und Googles 18,02 Minuten mit 640 TPUs ebenfalls. Jeder Hersteller hebt die Kennzahl hervor, in der er vorne liegt: Nvidia die Leistung pro GPU und die absolute Bestzeit, Google die Effizienz seiner TPUs.
Was die Ergebnisse aussagen und was nicht
MLPerf ist wertvoll, weil die Tests offen, begutachtet und für alle Teilnehmer gleich sind. Trotzdem lohnt ein nüchterner Blick. Die Ergebnisse zeigen, wie schnell ein System ein festgelegtes Qualitätsziel erreicht. Sie sagen nichts über Preis, Verfügbarkeit oder Stromverbrauch pro Trainingslauf, sofern diese nicht gesondert gemessen werden. Wer Systeme vergleichen will, sollte nach ähnlicher Größe filtern. MLCommons bietet dafür neue Visualisierungswerkzeuge in der Ergebnisdatenbank an.
Auffällig ist zudem, wer fehlt. Amazon steht nicht auf der Teilnehmerliste, eigene Trainingschips von AWS sind also nicht vertreten. Microsoft ist über Azure dabei, laut Nvidia mit einem GB200-Cluster aus 10.240 GPUs. Der Benchmark bildet damit vor allem den Wettbewerb zwischen Nvidia, Google und AMD ab, wobei AMD in den Hersteller-Blogs dieser Runde kaum eine Rolle spielt.
Für Nvidia kommen die Ergebnisse in einer unruhigen Phase. Nach dem Wechsel an der Konzernspitze und den neuen US-Regeln zum Fernzugriff auf KI-Chips liefert der Konzern nun ein technisches Argument: Die neue Generation ist im unabhängig organisierten Vergleich deutlich schneller als die alte. Wie viel davon im Alltag großer Trainingsläufe ankommt, hängt von Software, Netzwerk und Auslastung ab. Rechenzentrumsbetreiber werden die Zahlen trotzdem genau lesen, denn halbierte Trainingszeiten bedeuten mehr Experimente pro Quartal auf derselben Fläche.
Fazit
MLPerf Training v6.1 zeigt zwei Trends. Erstens wird KI-Training vielfältiger: mehr Cloud-Systeme, mehr Hersteller, erstmals ein Test speziell für das agentische Nachtraining. Zweitens bleibt Nvidia der Maßstab, muss sich aber auf Google einstellen, das mit Ironwood bei sehr großen Systemen mithält. Die Herstellerangaben in den Blogs sind sorgfältig ausgewählt: Die offiziellen Einreichungen sind von MLCommons geprüft, die nachgereichten Wiederholungsläufe nicht. Wer sie für eigene Entscheidungen nutzt, sollte direkt in die Ergebnistabellen von MLCommons schauen.




