Während Rubin sehnlich erwartet wird, optimiert Nvidia weiterhin Blackwell, die Energieeffizienz des GB200 hat sich in drei Monaten vervierfacht

Nvidia verlängert die Lebensdauer der Blackwell-Plattform durch kontinuierliche Optimierung des Software-Stacks und bereitet gleichzeitig die großflächige Einführung der nächsten Generation der Rubin-Architektur vor.

Vor dem Hintergrund der beschleunigten Einführung der neuen Rubin-Plattform hat Nvidia bekannt gegeben, dass sie in nur drei Monaten den TPS/MW-Wert (Leistung pro Megawatt) des GB200 NVL72 beim Betrieb des DeepSeek R1 0528-Modells vervierfacht haben. Dieser Erfolg ist das Ergebnis von 38 bedeutenden Optimierungen, die in vier Monaten abgeschlossen wurden und auf über 250.000 simulierten Konfigurationstests sowie insgesamt 1,4 Millionen GPU-Stunden für Validierungen basieren.

Gleichzeitig setzt die GB300 "Blackwell Ultra"-Plattform weiterhin neue Rekordwerte bei KI-Trainingsbenchmarks. Mit einer Skalierung auf 256 Karten erzielte GB300 NVL72 beim DeepSeek-V3 671B Vortrainingsaufgabe den höchsten jemals erreichten Wert von 1648 TFLOPs pro GPU – etwa das Dreifache gegenüber GB200 mit 606 TFLOPs, wobei dieser Wert allein in den letzten sechs Monaten um das 1,5-fache gesteigert wurde.

Nvidia erklärt, dass die Serie von Optimierungen für die GB200 NVL72-Plattform in nur drei Monaten die Leistung pro Megawatt beim Betrieb von DeepSeek R1 0528 (1K Eingabe/1K Ausgabe-Konfiguration) vervierfacht haben.

Diese Verbesserung basiert auf 38 bedeutenden Iterationen, die innerhalb von vier Monaten durchgeführt wurden. Diese Optimierungen wurden durch mehr als 250.000 konfigurationsbasierte Simulationstests ausgewählt und mit insgesamt 1,4 Millionen GPU-Stunden verifiziert. Nvidia hebt hervor, dass über 90% der erzielten Optimierungsergebnisse modellübergreifend nutzbar sind und auf andere Modelle im gesamten KI-Produktportfolio anwendbar sind und somit nicht nur auf einen einzelnen Task zugeschnitten sind.

Das bedeutet, dass bestehende Kunden in Rechenzentren keine Hardware austauschen müssen und allein durch Software-Upgrades deutlich von einer verbesserten Energieeffizienz profitieren – was für hyperskalierte Cloud-Anbieter und Unternehmenskunden, die empfindlich auf Rechenleistungskosten reagieren, einen direkten wirtschaftlichen Nutzen darstellt.

Im Bereich des KI-Trainings zeigt GB300 NVL72 ebenfalls eine starke Leistungsentwicklung. Mit einer Skalierung auf 256 Karten und unter Verwendung des Megatron Core-Frameworks für das Vortraining des DeepSeek-V3 671B-Modells erreicht GB300 NVL72 eine Auslastung von 1648 TFLOPs pro GPU – etwa das Dreifache gegenüber GB200 mit 606 TFLOPs und einen neuen globalen Rekord für diese Aufgabe.

Bemerkenswert ist, dass dieser Wert keine Hardware-Grenze darstellt. Die Leistung von GB300 NVL72 unter dem Megatron Core-Framework ist von 1088 TFLOPs/GPU im November 2025 auf 1648 TFLOPs/GPU im Juni 2026 gestiegen, was einer Steigerung von etwa 1,5-fachen innerhalb von sechs Monaten entspricht.

Bei der kooperativen Optimierung von Mainstream-KI-Frameworks bringt die enge Zusammenarbeit zwischen Nvidia und den PyTorch- sowie JAX-Communities ebenfalls signifikante Vorteile mit sich. Auf dem TorchTitan (dem nativen PyTorch-Trainingsstack) wurde die Trainingsleistung von GB300 NVL72 für DeepSeek-V3 671B im Vergleich zur nicht optimierten Basiskonfiguration um das 6-fache gesteigert – von 199 TFLOPs/GPU auf 1197 TFLOPs/GPU. Unter dem JAX-Framework ist der Anstieg noch deutlicher: Bis Juli 2026 erreicht die GPU-Auslastung 4082 Tokens/s, was 1025 TFLOPs/GPU entspricht – etwa das 10-fache gegenüber 418 Tokens/s im Januar 2026.

Die Skalierungseffizienz in großflächigen Trainingsszenarien ist eines der zentralen Kriterien zur Bewertung der Praxistauglichkeit von KI-Infrastrukturen. Nvidia hat offengelegt, dass GB300 NVL72 im Skalierungsbereich von 256 bis 1024 Karten in allen drei Hauptframeworks eine Effizienz erreicht, die nahe am theoretischen Maximum liegt: Megatron Core erreicht 98,5%, TorchTitan und JAX jeweils 97%.

Nvidia führt diese Skalierungsleistung auf den im Rack integrierten 800 Gb/s Scale-Out Netzwerk-Chip des NVL72 zurück. Die schnelle Vernetzung ist ausschlaggebend für die Kommunikationskosten beim Training über mehrere Maschinen hinweg und beeinflusst maßgeblich die gesamte Skalierungseffizienz. Diese Netzwerkkapazität gilt als zentrales Infrastruktur-Element, das die hohe Effizienz über verschiedene Frameworks hinweg ermöglicht.

Mit der Veröffentlichung der oben genannten Optimierungsergebnisse wurde die nächste Generation der Vera Rubin-Plattform von Nvidia weltweit ausgerollt. Laut Berichten steigert Vera Rubin NVL72 die Token-Performance im Vergleich zu Blackwell um etwa das 10-fache – GB200 NVL72 erreicht etwa 80.000 Tokens/s, während Vera Rubin NVL72 bei gleicher Leistungsaufnahme von 150 MW bis zu 800.000 Tokens/s schafft.

Dennoch ist die Blackwell-Plattform bereits in zahlreichen Rechenzentren weltweit installiert, und Nvidia setzt – analog zur Hopper-Generation – weiterhin auf Softwareoptimierungen, um das Potenzial der bestehenden Hardware auszureizen, während das neue Plattform-Upgrade vorangetrieben wird. Diese Strategie verlängert nicht nur den Return-on-Investment-Zyklus für die Hardware der Bestandskunden, sondern verstärkt auch die Bindung zur Plattform innerhalb des KI-Infrastruktur-Ökosystems von Nvidia. Für den Markt bedeutet die parallele Entwicklung bei Blackwell und Rubin, dass Nvidia zunehmend einen Software-Schutzwall aufbaut, den die Konkurrenz kurzfristig kaum überwinden kann.