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 الرادارCoreWeave Blog→ المصدر

CoreWeave تدرّب DeepSeek-V3 بحجم 671 مليار معامل خلال 17.65 دقيقة على Vera Rubin — أسرع بـ2.7 مرة من GB200

اختبرت CoreWeave، ضمن MLPerf Training v6.1، مدى تفوّق شرائح Nvidia Vera Rubin الجديدة على الجيل السابق GB200. وصل نموذج DeepSeek-V3 بحجم 671 مليار معامل إلى الجودة المستهدفة خلال 17.65 دقيقة على 256 وحدة GPU موزعة على أربع حاويات، بينما استغرق الأمر على GB200 بالعدد نفسه من وحدات GPU نحو 48.40 دقيقة، أي أطول بـ2.7 مرة. وعند اختيار سحابة للتدريب، قارِن الزمن اللازم لبلوغ الهدف على عدد وحدات GPU الذي تستخدمه أنت، لا المواصفات المعلنة للشريحة.

معالج بواسطة الذكاء الاصطناعي من CoreWeave Blog؛ بتحرير Hamidun News
CoreWeave تدرّب DeepSeek-V3 بحجم 671 مليار معامل خلال 17.65 دقيقة على Vera Rubin — أسرع بـ2.7 مرة من GB200
المصدر: CoreWeave Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليCoreWeave Blog ↗
رئيس التحرير
Llama 3.1 8B على حاوية واحدة7.16 دقيقة مقابل 13.70 دقيقة على GB200
حقيقة رئيسية #2نسب التسارع احتسبتها CoreWeave بنفسها، ولم تتحقق منها MLCommons
Qwen3.5 397B مع RL22.78 دقيقة على 256 وحدة GPU، بواقع 128 للتدريب و128 للتوليد

تخيّل أنك تستأجر عنقودًا حاسوبيًا لتدريب نموذج كبير، وتدفع عن كل ساعة. تبرز إعلانات السحابات عادةً الأرقام المعلنة لمواصفات الشرائح، لكنها لا تخبرك كم ساعة سيستغرق التدريب فعليًا. لهذا الغرض يوجد اختبار MLPerf Training، الذي يقيس الزمن الذي يحتاجه النظام لإيصال نموذج محدد إلى الجودة المستهدفة. في الجولة الأحدث v6.1، درّبت سحابة CoreWeave نموذج DeepSeek-V3 بحجم 671 مليار معامل خلال 17.65 دقيقة على 256 وحدة GPU من Nvidia Rubin، مجمّعة في أربع حاويات Vera Rubin NVL72 (تضم كل حاوية 72 وحدة GPU). أما الجيل السابق GB200 NVL72، فقد استغرق لدى الشركة نفسها وعلى العدد نفسه من وحدات GPU نحو 48.40 دقيقة. بلغ الفارق 2.7 مرة: هذا هو الوقت والمال اللذان يمكن توفيرهما في تشغيل تدريبي واحد.

ما الذي جرى قياسه وما الأرقام التي ظهرت

لا يقيس MLPerf Training v6.1 الحد الأقصى النظري للشريحة، بل أداء المنظومة بأكملها: المسرّعات والشبكة ومجدول المهام والبرمجيات. شاركت CoreWeave في فئة Available ضمن القسم المغلق، أي على عتاد متاح للعملاء. تراوحت الأنظمة بين حاوية واحدة بـ72 وحدة GPU وأربع حاويات بـ256 وحدة GPU، وتراوحت النماذج بين 8 مليارات و671 مليار معامل.

كانت النتيجة الأبرز لنموذج DeepSeek-V3 ببنية mixture-of-experts (MoE): 17.65 دقيقة مقابل 48.40 دقيقة على GB200. وبحسب الشركة، كانت مزوّد السحابة الوحيد الذي قدّم في هذه الجولة نتائج على عدة حاويات Vera Rubin.

وعلى حاوية واحدة، درّب الفريق Llama 3.1 8B خلال 7.16 دقيقة. وهذه أسرع نتيجة بين الطلبات المقدمة على 72 وحدة GPU في الجولة، وأسرع بـ1.9 مرة من GB200 NVL72 لدى CoreWeave نفسها، حيث استغرق الأمر 13.70 دقيقة. في الحالتين استُخدم NVFP4 لعمليات ضرب المصفوفات، وFP8 لآلية الانتباه، ورسوم CUDA البيانية. وبحسب حساب الشركة، تستطيع حاوية واحدة نظريًا إنجاز نحو ثمانية تشغيلات كهذه في الساعة، دون احتساب وقت الإطلاق وتقييم الجودة.

لماذا تُعدّ الحاويات المتعددة تحديًا صعبًا

في نموذج MoE تتوزع الرموز (tokens) في كل طبقة على خبراء مختلفين يقيمون على وحدات GPU مختلفة. تخيّل مكتبًا يجب فيه تمرير كل سؤال إلى المختص المناسب ثم إعادة الجواب: ما دام الجميع في غرفة واحدة، فالأمر سريع. أما إذا وُزّع الموظفون على أربعة طوابق، فكل شيء يتوقف على المصاعد. وهكذا هنا: داخل الحاوية تتواصل وحدات GPU عبر وصلة NVLink الداخلية السريعة، بينما تمر الحركة بين الحاويات عبر نسيج الشبكة.

ربطت CoreWeave الحاويات بشبكة Ethernet على RoCE بمحوّلات Spectrum-6 بسعة 102.4 تيرابت/ث وبطاقات الشبكة SuperNIC. كما تعتمد توزيع المهام مع مراعاة طوبولوجيا الشبكة، أي أنها تحاول وضع أجزاء التدريب المترابطة قريبة من بعضها. وإلى جانب ذلك، يعمل نظام لمراقبة سلامة الأسطول يرصد العقد البطيئة أو المعطوبة قبل أن تُبطئ التشغيل بأكمله. فوحدة GPU متأخرة واحدة في عنقود كبير قد تستهلك من الوقت المفيد ما يوازي مكسب تحسين برمجي إضافي.

التدريب بالتعزيز والتحفظات

من الطلبات الأخرى Qwen3.5 397B مع التعلم المعزز (RL): 22.78 دقيقة على 256 وحدة GPU في أربع حاويات. خصصت نصف وحدات GPU، أي 128 وحدة، للتدريب، وخصصت النصف الآخر، أي 128 وحدة أيضًا، لتوليد الإجابات. وكان هذا أول معيار في MLPerf Training لضبط نماذج LLM بعد التدريب المسبق، وطبيعة الحمل فيه مختلفة: يجب التوليد والتقييم وتحديث النموذج في آنٍ واحد. وفي هذا الجزء عرضت الشركة نتائج على GB200 NVL72، كما فعلت مع GPT-OSS 20B.

والتحفظات هنا مهمة. فنسبتا التسارع 2.7x و1.9x احتسبتهما CoreWeave بنفسها، بمقارنة طلباتها على Vera Rubin وGB200 بالعدد نفسه من وحدات GPU، ولم تتحقق MLCommons من هذه الحسابات. كما أن ادعاء «السحابة الوحيدة» مبني على تحليل الشركة نفسها للنتائج المنشورة. يضاف إلى ذلك أن هذه مهام مرجعية: على بياناتك أنت وبنية نموذجك ستختلف الأرقام.

ما الذي يعنيه هذا للممارسين

أولًا: إذا كنت تدرّب نماذج MoE كبيرة، فقيّم السحابة بالزمن اللازم لبلوغ الهدف على عدة حاويات، لا بخصائص بطاقة واحدة. فهناك تحديدًا تقرر الشبكة والمجدول كم ستدفع. ثانيًا: للنماذج الصغيرة والتجارب المتكررة، تهم سرعة التشغيل الواحد. فأقل من عشر دقائق للحاوية الواحدة تعني تكرارات أكثر في اليوم. ثالثًا: اطلب من المزوّد نتائج على عدد وحدات GPU الذي تستخدمه، وبيانات عن فترات التوقف والتعافي من الأعطال، لأنها ما يفصل بين معيار سريع وإنتاج فعلي سريع.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي جرى قياسه وما الأرقام التي ظهرت؟

لا يقيس MLPerf Training v6.1 الحد الأقصى النظري للشريحة، بل أداء المنظومة بأكملها: المسرّعات والشبكة ومجدول المهام والبرمجيات. شاركت CoreWeave في فئة Available ضمن القسم المغلق، أي على عتاد متاح للعملاء. تراوحت الأنظمة بين حاوية واحدة بـ72 وحدة GPU وأربع حاويات بـ256 وحدة GPU، وتراوحت النماذج بين 8 مليارات و671 مليار معامل. كانت النتيجة الأبرز لنموذج DeepSeek-V3 ببنية mixture-of-experts (MoE): 17.65 دقيقة مقابل 48.40 دقيقة على GB200.

ما أبرز التفاصيل حول لماذا تُعدّ الحاويات المتعددة تحديًا صعبًا؟

في نموذج MoE تتوزع الرموز (tokens) في كل طبقة على خبراء مختلفين يقيمون على وحدات GPU مختلفة. تخيّل مكتبًا يجب فيه تمرير كل سؤال إلى المختص المناسب ثم إعادة الجواب: ما دام الجميع في غرفة واحدة، فالأمر سريع. أما إذا وُزّع الموظفون على أربعة طوابق، فكل شيء يتوقف على المصاعد. وهكذا هنا: داخل الحاوية تتواصل وحدات GPU عبر وصلة NVLink الداخلية السريعة، بينما تمر الحركة بين الحاويات عبر نسيج الشبكة. ربطت CoreWeave الحاويات بشبكة Ethernet على RoCE بمحوّلات Spectrum-6 بسعة 102.4 تيرابت/ث وبطاقات الشبكة SuperNIC.

ما أبرز التفاصيل حول التدريب بالتعزيز والتحفظات؟

من الطلبات الأخرى Qwen3.5 397B مع التعلم المعزز (RL): 22.78 دقيقة على 256 وحدة GPU في أربع حاويات. خصصت نصف وحدات GPU، أي 128 وحدة، للتدريب، وخصصت النصف الآخر، أي 128 وحدة أيضًا، لتوليد الإجابات. وكان هذا أول معيار في MLPerf Training لضبط نماذج LLM بعد التدريب المسبق، وطبيعة الحمل فيه مختلفة: يجب التوليد والتقييم وتحديث النموذج في آنٍ واحد. وفي هذا الجزء عرضت الشركة نتائج على GB200 NVL72، كما فعلت مع GPT-OSS 20B. والتحفظات هنا مهمة.

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…