ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
بنية تحتيةتحليل · على الرادارMLCommons→ المصدر

MLPerf Training: عناقيد بحجم 10 240 وحدة GPU وتسريع التدريب بنسبة 49% خلال نصف عام

نشرت MLCommons نتائج MLPerf Training v6.1، وهو أشبه بامتحان للعناقيد الحوسبية: يدرّب جميع المشاركين النموذج نفسه حتى بلوغ مستوى الجودة نفسه، ويُقاس الزمن. ارتفع حجم أكبر عمليات التشغيل من 8 192 إلى 10 240 وحدة GPU. وفي أربعة اختبارات لم تتغير، انخفض زمن التدريب خلال نصف عام بمتوسط 1,49 مرة، من 100 دقيقة إلى نحو 67 دقيقة. يأتي جزء من هذا التحسن من البرمجيات. لذلك ينبغي عند اختيار عنقود حوسبي الاعتماد على أحدث النتائج، لا على المواصفات المعلنة للعتاد.

معالج بواسطة الذكاء الاصطناعي من MLCommons؛ بتحرير Hamidun News
MLPerf Training: عناقيد بحجم 10 240 وحدة GPU وتسريع التدريب بنسبة 49% خلال نصف عام
المصدر: MLCommons. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليMLCommons ↗
رئيس التحرير
حقيقة رئيسية #125 مشاركًا و250 طلبًا مقابل 24 و229 في v6.0
الأنظمة متعددة العقد76% من نتائج Closed مقابل 61% في v6.0
اختباران جديدانالتعلم المعزز الوكيلي على Qwen3.5-397B ونظام التوصية DLRMv4

تخيّل أنك تختار مكان تدريب نموذجك: هل تستأجر وحدات GPU في السحابة أم تبني عنقودك الخاص؟ الأرقام التي تعلنها الشركات المصنّعة لا تقول الكثير، أما MLPerf Training فهو امتحان موحّد: يحلّ جميع المشاركين المهمة نفسها على البيانات نفسها حتى بلوغ مستوى الجودة المستهدف نفسه، ويُقاس الزمن اللازم للوصول إلى النتيجة. في الجولة الجديدة v6.1 من MLCommons ارتفع حجم أكبر عمليات التشغيل إلى 10 240 وحدة GPU (كان الحد الأقصى سابقًا 8 192).

وفي أربعة اختبارات لم تتغير منذ الجولة الماضية، انخفض أفضل زمن بمتوسط 1,49 مرة، أي زيادة في السرعة بنحو 49%. وعلى سبيل التقريب: التدريب الذي كان يستغرق قبل نصف عام 100 دقيقة يكتمل الآن في 67 دقيقة. وهذا مؤشر لك على مقدار التسريع الفعلي الذي يمكن توقعه من تغيير العتاد وضبط إعدادات البرمجيات.

ما الذي تغيّر في الجولة

وصل 250 طلبًا من 25 مشاركًا، مقابل 229 طلبًا من 24 مشاركًا في v6.0. وكانت أكبر المهام بحجم 10 240 وحدة GPU: درّبت NVIDIA على GB300 وAzure على GB200 نموذج DeepSeek-V3. أما Google فشغّلت النموذج نفسه على 8 192 شريحة TPU7x (Ironwood) ضمن slice واحد، تربطه شبكة داخلية عالية السرعة ICI. وظهر Ironwood وNVIDIA Rubin لأول مرة في فئة Available، أي أن هذه الأنظمة متاحة للعملاء بالفعل. وتضم الجولة في المجمل 12 مسرّعًا من ثلاث شركات مصنّعة وأربع تقنيات لشبكات الربط بين العقد.

أصبح النظام النموذجي أكبر حجمًا. فقد بقي الوسيط الحسابي لعدد المسرّعات في نتيجة Closed عند 8 من v4.0 حتى v6.0، وهو الآن 32. وارتفع عدد النتائج التي استخدمت 64 مسرّعًا فأكثر إلى 111 بدلًا من 73. وتشكّل الأنظمة متعددة العقد 76% من نتائج Closed (117 من 153) مقابل 61% في v6.0. وجاء نحو 28% من الطلبات من السحابة، أي أن البنية الافتراضية تقف على قدم المساواة مع غيرها. وشغّلت جامعة فلوريدا الاختبار على نصف B200 SuperPOD، فيما كان النصف الآخر يخدم الباحثين.

أُضيف اختباران إلى المجموعة. الأول هو التعلم المعزز الوكيلي: يُدرَّب نموذج بحجم 397 مليار معامل (Qwen3.5-397B) على إصلاح مشاريع برمجية حقيقية، وشارك فيه سبعة مشاركين بـ29 طلبًا. والثاني هو نظام التوصية التوليدي DLRMv4 (HSTU) الذي حلّ محل DLRM-DCNv2 القديم، وشارك فيه ثمانية مشاركين بـ20 طلبًا. أما النموذج الكثيف الكبير للتدريب المسبق فقد حُذف بعد ثلاث جولات، لأن الصناعة اتجهت إلى معمارية mixture-of-experts التي لا يعمل فيها لكل رمز (token) سوى جزء من النموذج. وتغطي DeepSeek-V3 وQwen3.5-397B هذا المجال الآن.

من أين جاءت نسبة 49%، ولماذا التحسن غير متساوٍ

الرقم 1,49 هو المتوسط الهندسي لتحسن أفضل النتائج في الاختبارات الأربعة التي لم تتغير. وهذه ليست نتيجة رسمية من MLPerf، بل مؤشر تحسبه MLCommons بنفسها. والأنظمة في المقارنة متساوية الحجم: 512 مسرّعًا، باستثناء Llama 3.1 8B الذي كان في v6.0 بحجم 1 024. ولا يتوزع المكسب بالتساوي: فقد تسارع FLUX.1 بوضوح خلال نصف عام، بينما لم يتغير Llama 3.1 8B الصغير تقريبًا. ويأتي جزء من التحسن من البرمجيات: فقد أظهرت Firmus وKRAI مكسبًا ملحوظًا مقارنة بالتنفيذات الأساسية، ومن ذلك عبر تحسينات أُجريت بمساعدة الذكاء الاصطناعي.

لماذا لا تعني زيادة وحدات GPU تسريعًا تلقائيًا

يقيس الاختبار زمن التدريب لمهمة ثابتة، لذلك ينبغي للعنقود الكبير أن ينجز العمل نفسه في وقت أقصر. لكن مزامنة التدرجات (gradients) بين المسرّعات لا تتناقص مع كبر العنقود، ولذلك لن تدرّب 100 وحدة مسرّعة النموذج أسرع 100 مرة. كما أن حجم الدفعة (batch) محدود: يعالج Llama 3.1 8B نحو 64 تسلسلًا في الخطوة الواحدة، وعلى مئات المسرّعات يضطر المهندسون إلى تقسيم كل تسلسل، مما يضيف تبادلًا للبيانات داخل كل طبقة.

أما في DeepSeek-V3 فحجم الدفعة نحو 16 000 تسلسل، لكن المشكلة مختلفة، وهي الذاكرة. فحالة التدريب لنموذج بحجم 671 مليار معامل تشغل أكثر من 10 TB، بينما لا تتجاوز HBM على المسرّع 186–288 GB. لذلك يُقسَّم النموذج عبر خطوط الأنابيب (pipeline) وعبر الخبراء، ويُعاد حساب جزء من العمليات لتوفير الذاكرة. وفي حوامل NVL72 وشرائح TPU7x تغطي الشبكة الداخلية السريعة عقدًا كثيرة، ولذلك يزداد تأثير الطريقة التي توزّع بها المهمة حركة البيانات بين الشبكة السريعة والبطيئة في تحديد السرعة.

والمعالجات موضوع مستقل. ففي التعلم المعزز الوكيلي (مثل Qwen3.5 GRPO) تشغّل CPU البيئات والاختبارات التي تحوّل إجابات النموذج إلى مكافأة. واستخدم المشاركون من 500 إلى نحو 3 150 بيئة معزولة (sandbox) متوازية. وستزداد أهمية قدرة وحدات CPU المضيفة مع نمو المهام الوكيلية.

ما العمل بهذه النتائج

عند اختيار المنصة لا تنظر إلى الحد الأقصى لعدد وحدات GPU، بل إلى نتائج مهمة تشبه مهمتك وإلى تصميم الشبكة. وفي النماذج الصغيرة لن تفيد مئات المسرّعات الإضافية إلا قليلًا. أما في خطوط المعالجة الوكيلية فخصّص قدرة CPU للبيئات المعزولة.

القيود: يرسل المشاركون النتائج بأنفسهم، والنتائج الأولى للاختبارات الجديدة تعكس جزئيًا حداثتها، ولم تقِس الطاقة في هذه الجولة سوى TTA الكورية.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي تغيّر في الجولة؟

وصل 250 طلبًا من 25 مشاركًا، مقابل 229 طلبًا من 24 مشاركًا في v6.0. وكانت أكبر المهام بحجم 10 240 وحدة GPU: درّبت NVIDIA على GB300 وAzure على GB200 نموذج DeepSeek-V3. أما Google فشغّلت النموذج نفسه على 8 192 شريحة TPU7x (Ironwood) ضمن slice واحد، تربطه شبكة داخلية عالية السرعة ICI. وظهر Ironwood وNVIDIA Rubin لأول مرة في فئة Available، أي أن هذه الأنظمة متاحة للعملاء بالفعل. وتضم الجولة في المجمل 12 مسرّعًا من ثلاث شركات مصنّعة وأربع تقنيات لشبكات الربط بين العقد. أصبح النظام النموذجي أكبر حجمًا.

ما أبرز التفاصيل حول من أين جاءت نسبة 49%، ولماذا التحسن غير متساوٍ؟

الرقم 1,49 هو المتوسط الهندسي لتحسن أفضل النتائج في الاختبارات الأربعة التي لم تتغير. وهذه ليست نتيجة رسمية من MLPerf، بل مؤشر تحسبه MLCommons بنفسها. والأنظمة في المقارنة متساوية الحجم: 512 مسرّعًا، باستثناء Llama 3.1 8B الذي كان في v6.0 بحجم 1 024. ولا يتوزع المكسب بالتساوي: فقد تسارع FLUX.1 بوضوح خلال نصف عام، بينما لم يتغير Llama 3.1 8B الصغير تقريبًا. ويأتي جزء من التحسن من البرمجيات: فقد أظهرت Firmus وKRAI مكسبًا ملحوظًا مقارنة بالتنفيذات الأساسية، ومن ذلك عبر تحسينات أُجريت بمساعدة الذكاء الاصطناعي.

ما أبرز التفاصيل حول لماذا لا تعني زيادة وحدات GPU تسريعًا تلقائيًا؟

يقيس الاختبار زمن التدريب لمهمة ثابتة، لذلك ينبغي للعنقود الكبير أن ينجز العمل نفسه في وقت أقصر. لكن مزامنة التدرجات (gradients) بين المسرّعات لا تتناقص مع كبر العنقود، ولذلك لن تدرّب 100 وحدة مسرّعة النموذج أسرع 100 مرة. كما أن حجم الدفعة (batch) محدود: يعالج Llama 3.1 8B نحو 64 تسلسلًا في الخطوة الواحدة، وعلى مئات المسرّعات يضطر المهندسون إلى تقسيم كل تسلسل، مما يضيف تبادلًا للبيانات داخل كل طبقة. أما في DeepSeek-V3 فحجم الدفعة نحو 16 000 تسلسل، لكن المشكلة مختلفة، وهي الذاكرة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…