Blackwell da NVIDIA lidera MLPerf Training 6.0 com desempenho recorde em escala e confiabilidade

A Blackwell não está só treinando modelos mais rápido: ela está redesenhando o que é possível em IA de produção. Os 8.192 GPUs do MLPerf Training 6.0 não são um número simbólico, é a primeira vez que um modelo MoE como o DeepSeek-V3 671B (671B parâmetros, com até 128B ativos por token) roda inteiro sem fallback para CPU ou desaceleração por congestionamento de rede. Isso só funciona porque o NVLink 5.0 entrega 1,8 TB/s de largura de banda bidirecional por GPU, transformando 72 chips em uma única unidade lógica de memória e computação. E o NVFP4 não é só 'menos precisão': ele permite micro-lotes 2x maiores no pré-treinamento do Nemotron Ultra 550B, reduzindo o número de iterações necessárias, e, com isso, o custo por token, a métrica real que define TCO em escala.

O que diferencia essa rodada do MLPerf não é só o hardware, mas o fechamento do ciclo entre benchmark e aplicação. O GPT-OSS-20B, um dos novos benchmarks, foi projetado especificamente para workflows agentic, e já está sendo usado por times como o Thinking Machines Lab no Google Cloud para acelerar RL loops. Enquanto isso, a CoreWeave treina o DeepSeek-V3 em 2,02 minutos com GB300 NVL72 + Spectrum-X MRC, confirmando na prática o que o CEVIU já mostrou em 15 de junho: a mesma infraestrutura que lidera o AgentPerf também domina o MLPerf Training. Não são dois mercados separados, é a mesma arquitetura servindo agentes e modelos de fundação com o mesmo stack.

Na cobertura CEVIU de 15/06, a Blackwell Ultra liderava o AgentPerf, o primeiro benchmark voltado exclusivamente para IA agentic. Agora, em 17/06, ela lidera o MLPerf Training 6.0, o benchmark mais antigo e rigoroso para treinamento de modelos. A evolução não é incremental: é a convergência. Antes, tínhamos duas linhas de prova (agentic vs. training). Agora, o mesmo sistema GB300 NVL72 que entrega 20x mais throughput de agentes por megawatt no AgentPerf também entrega 1,6x mais velocidade no MLPerf Training que o GB200. Isso elimina a dicotomia 'infra para treino' vs. 'infra para agentes'. O Nemotron Ultra 550B, anunciado em 02/06 com suporte nativo a NVFP4, é o primeiro modelo aberto a usar essa convergência como premissa, arquitetura híbrida Transformer-Mamba MoE, janela de contexto de 1 milhão de tokens e otimização explícita para orquestração multi-agente.

Isso muda o custo de entrada para IA de ponta. Empresas não precisam mais escolher entre 'treinar modelos grandes' ou 'rodar agentes inteligentes', a mesma infraestrutura faz as duas coisas com eficiência comparável. O Llama 3.1 405B treinado pela Microsoft em 7,07 minutos em 8.192 GPUs GB200 mostra que modelos densos de última geração já estão acessíveis em nuvem. E o fato de a CoreWeave entregar o DeepSeek-V3 em 2,02 minutos com GB300 confirma que a próxima geração de modelos MoE massivos não será limitada por hardware, mas por engenharia de dados e algoritmos. Para desenvolvedores, isso significa menos tempo esperando checkpoints e mais tempo iterando em prompts, agentes e pipelines, porque a infraestrutura deixou de ser gargalo e virou acelerador silencioso.