CoreWeave entrenó DeepSeek-V3 de 671B en 17,65 minutos con Vera Rubin: 2,7 veces más rápido que GB200
CoreWeave puso a prueba en MLPerf Training v6.1 cuánto más rápidos son los nuevos chips Nvidia Vera Rubin frente a la generación anterior, GB200. El modelo DeepSeek-V3, de 671.000 millones de parámetros, alcanzó la calidad objetivo en 17,65 minutos con 256 GPU repartidas en cuatro racks. Con el mismo número de GPU, GB200 necesitó 48,40 minutos, es decir, 2,7 veces más. Al elegir una nube para entrenar, conviene comparar el tiempo hasta el objetivo con su propio número de GPU, no la ficha técnica del chip.
Procesado por IA desde CoreWeave Blog; editado por Hamidun News
Imagine que alquila un clúster para entrenar un modelo grande y paga por cada hora. La publicidad de las nubes suele destacar las cifras de ficha de los chips, pero no dicen cuántas horas tardará realmente el entrenamiento. Para eso existe la prueba MLPerf Training: mide cuánto tarda un sistema en llevar un modelo determinado hasta la calidad objetivo.
En la ronda v6.1, la nube CoreWeave entrenó DeepSeek-V3, de 671.000 millones de parámetros, en 17,65 minutos con 256 GPU Nvidia Rubin, repartidas en cuatro racks Vera Rubin NVL72 (72 GPU por rack).
La generación anterior, GB200 NVL72, tardó 48,40 minutos en la misma empresa y con el mismo número de GPU. La diferencia fue de 2,7 veces: ese es el tiempo y el dinero que se puede ahorrar en una sola ejecución.
Qué se midió y qué cifras se obtuvieron
MLPerf Training v6.1 no mide el máximo teórico del chip, sino el rendimiento de todo el conjunto: aceleradores, red, planificador de tareas y software. CoreWeave participó en la categoría Available de la división cerrada, es decir, con hardware disponible para los clientes. Los sistemas iban desde un rack de 72 GPU hasta cuatro racks de 256 GPU, y los modelos iban de 8.000 millones a 671.000 millones de parámetros.
El resultado más llamativo fue DeepSeek-V3, con arquitectura de mezcla de expertos (MoE): 17,65 minutos frente a 48,40 en GB200. Según la compañía, fue el único proveedor en la nube que envió en esta ronda resultados sobre varios racks Vera Rubin.
En un solo rack, el equipo entrenó Llama 3.1 8B en 7,16 minutos. Es el resultado más rápido entre las presentaciones de 72 GPU de la ronda, y 1,9 veces más rápido que GB200 NVL72 en la misma CoreWeave, donde se tardaron 13,70 minutos. En ambos casos se usó NVFP4 para las multiplicaciones de matrices, FP8 para la atención y grafos CUDA. Según el cálculo de la empresa, un rack podría completar teóricamente unas ocho de estas ejecuciones por hora, sin contar el arranque y la evaluación de calidad.
Por qué varios racks son complicados
En un modelo MoE, los tokens se reparten en cada capa entre expertos distintos que viven en GPU diferentes. Imagine una oficina donde cada consulta hay que pasarla al especialista adecuado y devolver la respuesta: mientras todos están en la misma sala, es rápido. Cuando los empleados están repartidos en cuatro plantas, todo depende de los ascensores. Aquí ocurre algo parecido: dentro de un rack, las GPU se comunican por el enlace interno de alta velocidad NVLink, mientras que entre racks el tráfico pasa por una red de conmutación.
CoreWeave conectó los racks con una red Ethernet con RoCE, con conmutadores Spectrum-6 de 102,4 Tb/s y tarjetas de red SuperNIC. Además, aplica la colocación de tareas con conciencia de topología, es decir, intenta situar más cerca las partes del entrenamiento que están relacionadas. Por otro lado, un sistema de monitorización del estado del parque detecta nodos lentos o defectuosos antes de que frenen toda la ejecución. Una sola GPU rezagada en un clúster grande puede consumir tanto tiempo útil como otra optimización de software.
Aprendizaje por refuerzo y advertencias
Otra presentación fue Qwen3.5 397B con aprendizaje por refuerzo (RL): 22,78 minutos con 256 GPU en cuatro racks. La mitad de las GPU, 128, se dedicó al entrenamiento y la otra mitad, también 128, a generar respuestas. Este benchmark es el primero de MLPerf Training para el ajuste fino de LLM después del preentrenamiento, y su carga de trabajo es distinta: hay que generar, evaluar y actualizar el modelo a la vez. En esta parte, la compañía mostró resultados en GB200 NVL72, al igual que para GPT-OSS 20B.
Las advertencias son importantes. Las aceleraciones de 2,7x y 1,9x las calculó la propia CoreWeave, comparando sus presentaciones sobre Vera Rubin y GB200 con el mismo número de GPU, y MLCommons no verificó esos cálculos. La afirmación de ser la «única nube» también se basa en su propio análisis de los resultados publicados. Además, se trata de tareas de referencia: con su propio conjunto de datos y su propia arquitectura, las cifras serán distintas.
Qué implica esto para los profesionales
Primero: si entrena modelos MoE grandes, evalúe la nube por el tiempo hasta el objetivo en varios racks, no por las características de una sola tarjeta. Ahí es donde la red y el planificador determinan cuánto va a pagar. Segundo: para modelos pequeños y experimentos frecuentes, importa la velocidad de una sola ejecución. Menos de diez minutos por rack significa más iteraciones al día. Tercero: pida al proveedor resultados con su número de GPU y datos sobre tiempos de inactividad y recuperación tras fallos, porque eso es lo que separa un benchmark rápido de una producción rápida.
- 21 nov 2026MLCommons empieza a medir las API de IA bajo carga real: 7 mediciones para agentes
- 21 nov 2026Durante tres días, a través de OpenRouter respondió un DeepSeek manipulado: las negativas cayeron del 83–98 % a un 1 %
- 21 nov 2026Alisa, ChatGPT y Perplexity citan solo 34 de 309 plataformas para artículos
- 21 nov 2026CoreWeave mide Vera Rubin: hasta 10 veces más tokens por megavatio que la GB200
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se midió y qué cifras se obtuvieron?
MLPerf Training v6.1 no mide el máximo teórico del chip, sino el rendimiento de todo el conjunto: aceleradores, red, planificador de tareas y software. CoreWeave participó en la categoría Available de la división cerrada, es decir, con hardware disponible para los clientes. Los sistemas iban desde un rack de 72 GPU hasta cuatro racks de 256 GPU, y los modelos iban de 8.000 millones a 671.000 millones de parámetros.
¿Qué se sabe sobre Por qué varios racks son complicados?
En un modelo MoE, los tokens se reparten en cada capa entre expertos distintos que viven en GPU diferentes. Imagine una oficina donde cada consulta hay que pasarla al especialista adecuado y devolver la respuesta: mientras todos están en la misma sala, es rápido. Cuando los empleados están repartidos en cuatro plantas, todo depende de los ascensores.
¿Qué se sabe sobre Aprendizaje por refuerzo y advertencias?
Otra presentación fue Qwen3.5 397B con aprendizaje por refuerzo (RL): 22,78 minutos con 256 GPU en cuatro racks. La mitad de las GPU, 128, se dedicó al entrenamiento y la otra mitad, también 128, a generar respuestas. Este benchmark es el primero de MLPerf Training para el ajuste fino de LLM después del preentrenamiento, y su carga de trabajo es distinta: hay que generar, evaluar y actualizar el modelo a la vez. En esta parte, la compañía mostró resultados en GB200 NVL72, al igual que para GPT-OSS 20B.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.