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)
إصدارتحليل · على الرادارMLCommons→ المصدر

اختبار MLPerf يشهد لأول مرة مشاركة Nvidia Rubin وTPU Ironwood: 153 نظامًا

نشرت MLCommons نتائج MLPerf Training v6.1، وهو الاختبار الموحّد الذي تقيس فيه الشركات المصنّعة ومزوّدو الخدمات السحابية سرعة تدريب الشبكات العصبية. شارك في هذه الجولة 153 نظامًا قدّمت 250 نتيجة، وبينها لأول مرة مسرّعات Nvidia Rubin الجديدة وGoogle TPU Ironwood. وأضيف أيضًا اختبار لإعادة تدريب (fine-tuning) نموذج Qwen3.5-397B بطريقة GRPO، وهي الطريقة المستخدمة اليوم في تدريب الوكلاء الذكيين (agents). ومن يختار عنقودًا حاسوبيًا أو يستأجر وحدات GPU يحصل الآن على مقارنة مستقلة وفق قواعد موحّدة.

معالج بواسطة الذكاء الاصطناعي من MLCommons؛ بتحرير Hamidun News
اختبار MLPerf يشهد لأول مرة مشاركة Nvidia Rubin وTPU Ironwood: 153 نظامًا
المصدر: MLCommons. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليMLCommons ↗
رئيس التحرير
حقيقة رئيسية #1حصة الأنظمة السحابية 37% مقابل 29% قبل نصف عام في v6.0
حقيقة رئيسية #224 مشاركًا، وCrusoe تشارك لأول مرة؛ وأكبر نظام يضم 10 240 مسرّعًا
حقيقة رئيسية #3اختبار التوصيات DLRMv4-HSTU حلّ محل DLRM-dcnv2 القديم

عندما تقرر شركة ما على أي عتاد تدرّب نموذجها، سواء Nvidia أو AMD أو Google TPU، وعلى خادم واحد أو على عنقود من آلاف المسرّعات، يصعب أن تثق بعروض الشركات المصنّعة، فكل شركة تعرض أرقامها على مهامها الخاصة. لهذا يوجد MLPerf Training من اتحاد MLCommons. إنه اختبار موحّد: يشغّل جميع المشاركين المهام نفسها وفق القواعد نفسها، ويراجع النتائج نظراء لهم. وفي جولة v6.1 الأخيرة شارك 153 نظامًا (أي خوادم وعناقيد منفصلة) وقدّمت 250 نتيجة. وللمرة الأولى تضم القائمة مسرّعات Nvidia الجديدة من جيل Rubin، ومسرّعات Google TPU من الجيل السابع المسمّى Ironwood. كما ظهر اختبار جديد لإعادة تدريب نموذج Qwen3.5-397B، أي للمرحلة التي تُبنى فيها اليوم وكلاء الذكاء الاصطناعي.

ما الذي تغيّر في تركيبة المشاركين

أصبح عدد المشاركين أكبر مما كان عليه في النسخة القياسية v6.0 قبل نصف عام. فقد أرسلت 24 جهة نتائجها، منها AMD وAzure وCisco وCoreWeave وDell وGoogle وHPE وLambda وNebius وNvidia وOracle وSupermicro وغيرها. وظهر لأول مرة مزوّد الخدمات السحابية Crusoe.

وتتزايد حصة السحابة: فهناك 57 نظامًا من أصل 153، أي 37%، تعمل في السحابة، بينما كانت النسبة 29% في v6.0. وتستخدم اثنا عشر نظامًا 1000 مسرّع أو أكثر، ويتألف أكبرها من 10 240 مسرّعًا. أما من حيث العتاد فتضم القائمة مسرّعات Nvidia وAMD وGoogle.

ويقول بافان يالامانتشيلي، الرئيس المشارك لمجموعة العمل، إن النتائج باتت تغطي جزءًا أكبر بكثير من «مصفوفة الأنظمة الممكنة». ويعني هذا أن مقارنة التهيئات أصبحت أسهل مما كانت عليه سابقًا.

اختباران جديدان

الاختبار الأول هو DLRMv4-HSTU. وهو يقيس أنظمة التوصية، أي ذلك الجزء من الذكاء الاصطناعي الذي يختار لك المحتوى ومقاطع الفيديو والمنتجات. وقد حلّ محل DLRM-dcnv2 السابق. ويقوم على بنية HSTU المعتمدة على آلية الانتباه، وتُدرَّب على مجموعة بيانات Yambda، وهي من أكبر مجموعات البيانات المفتوحة للتوصيات.

أما الاختبار الثاني فهو Qwen3.5-397B، وهو الأكثر إثارة للمهتمين ببناء الوكلاء. وهو أول حِمل عمل في تاريخ MLPerf Training مخصص لما بعد التدريب (post-training): إذ يُعاد تدريب نموذج كبير جاهز بطريقة GRPO (Group Relative Policy Optimization). وبهذه الطريقة تُدرَّب النماذج اليوم على الاستدلال واستدعاء الأدوات. وفي الاختبار يُدرَّب النموذج على حل مهام هندسة البرمجيات، بما في ذلك استدعاء الأدوات (tool-calling). ووفق المنظّمين، عمل فريقهم على هذا المعيار على مدى العامين الماضيين، ويتضح من عدد الطلبات المقدَّمة أن المشاركين تبنّوه سريعًا.

ماذا يعني ذلك عمليًا

أولًا، أصبح لدى الصناعة طريقة مشتركة لمقارنة العتاد لا في التدريب الكلاسيكي من الصفر فحسب، بل في إعادة التدريب أيضًا، وهي مرحلة تؤثر اليوم بقوة في جودة الوكلاء. ولها نمط حِمل مختلف: فالنظام يولّد الإجابات تارة ويحدّث أوزان النموذج تارة أخرى. لذلك فإن المسرّع القوي في التدريب المعتاد ليس بالضرورة الأفضل هنا. وإذا كنتم تخططون لإعادة تدريب نموذج كبير لوكلائكم، فانظروا إلى هذا الاختبار تحديدًا.

ثانيًا، تساعد المجموعة الواسعة من التهيئات على إيجاد «الحل الوسط» المناسب لميزانيتكم، من عقدة واحدة إلى عنقود من آلاف المسرّعات. وقد حدّثت MLCommons صفحة النتائج على موقعها: يمكن مقارنة الأنظمة بعضها ببعض وترتيب التهيئات ذات الحجم المتقارب.

ومع ذلك هناك تحفظات. فالنتائج يرسلها المصنّعون ومزوّدو السحابة أنفسهم، وهم يضبطون الأنظمة خصيصًا لهذا الاختبار. وقد تختلف السرعة في مشروعكم. كما لا يتضمن البيان الصحفي لـ MLCommons جدولًا موجزًا بأزمنة التدريب لكل نظام. وسيتعيّن استخلاص الاستنتاجات حول المتصدرين من البيانات الكاملة على موقع المعيار.

ومع ذلك يبقى MLPerf من المرجعيات المستقلة القليلة لتخطيط عمليات الشراء واستئجار وحدات GPU. وفي ظهور Rubin وIronwood فيه أول فرصة لمقارنة الجيل الجديد من المسرّعات وفق قواعد موحّدة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي تغيّر في تركيبة المشاركين؟

أصبح عدد المشاركين أكبر مما كان عليه في النسخة القياسية v6.0 قبل نصف عام. فقد أرسلت 24 جهة نتائجها، منها AMD وAzure وCisco وCoreWeave وDell وGoogle وHPE وLambda وNebius وNvidia وOracle وSupermicro وغيرها. وظهر لأول مرة مزوّد الخدمات السحابية Crusoe. وتتزايد حصة السحابة: فهناك 57 نظامًا من أصل 153، أي 37%، تعمل في السحابة، بينما كانت النسبة 29% في v6.0. وتستخدم اثنا عشر نظامًا 1000 مسرّع أو أكثر، ويتألف أكبرها من 10 240 مسرّعًا. أما من حيث العتاد فتضم القائمة مسرّعات Nvidia وAMD وGoogle.

ما أبرز التفاصيل حول اختباران جديدان؟

الاختبار الأول هو DLRMv4-HSTU. وهو يقيس أنظمة التوصية، أي ذلك الجزء من الذكاء الاصطناعي الذي يختار لك المحتوى ومقاطع الفيديو والمنتجات. وقد حلّ محل DLRM-dcnv2 السابق. ويقوم على بنية HSTU المعتمدة على آلية الانتباه، وتُدرَّب على مجموعة بيانات Yambda، وهي من أكبر مجموعات البيانات المفتوحة للتوصيات. أما الاختبار الثاني فهو Qwen3.5-397B، وهو الأكثر إثارة للمهتمين ببناء الوكلاء.

ما أبرز التفاصيل حول ماذا يعني ذلك عمليًا؟

أولًا، أصبح لدى الصناعة طريقة مشتركة لمقارنة العتاد لا في التدريب الكلاسيكي من الصفر فحسب، بل في إعادة التدريب أيضًا، وهي مرحلة تؤثر اليوم بقوة في جودة الوكلاء. ولها نمط حِمل مختلف: فالنظام يولّد الإجابات تارة ويحدّث أوزان النموذج تارة أخرى. لذلك فإن المسرّع القوي في التدريب المعتاد ليس بالضرورة الأفضل هنا. وإذا كنتم تخططون لإعادة تدريب نموذج كبير لوكلائكم، فانظروا إلى هذا الاختبار تحديدًا.

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…