Alors que Rubin suscite de grandes attentes, Nvidia continue d’optimiser Blackwell, l’efficacité énergétique du GB200 a quadruplé en trois mois

Nvidia prolonge la durée de vie de la plateforme Blackwell grâce à une optimisation continue de la stack logicielle, tout en préparant le déploiement à grande échelle de la prochaine génération d’architecture Rubin.

Dans le contexte de l’accélération du déploiement de la nouvelle génération de la plateforme Rubin, Nvidia a révélé que en seulement trois mois, le GB200 NVL72 a quadruplé le rendement de puissance par mégawatt (TPS/MW) lors de l’exécution du modèle DeepSeek R1 0528. Ce progrès provient de 38 optimisations majeures réalisées en quatre mois, soutenues par plus de 250 000 tests de configurations simulées et un total de 1,4 million d’heures de GPU pour valider l’optimisation.

Parallèlement, la plateforme GB300 "Blackwell Ultra" continue de battre des records dans les benchmarks d’entraînement d’IA. Sur une échelle de 256 cartes, le GB300 NVL72 a établi un record historique sur la tâche de pré-entraînement DeepSeek-V3 671B avec un rendement de 1648 TFLOPs par GPU, soit environ trois fois la performance du GB200 (606 TFLOPs), et cet indicateur a augmenté de 1,5 fois au cours des six derniers mois.

Nvidia indique que la série d’optimisations sur la plateforme GB200 NVL72 a permis une multiplication par quatre du rendement de puissance par mégawatt lors de l’exécution de DeepSeek R1 0528 (configuration 1K entrée/1K sortie) en trois mois seulement.

Ce progrès repose sur 38 itérations majeures d’optimisation achevées en quatre mois. Ces optimisations ont été sélectionnées parmi plus de 250 000 configurations simulées et vérifiées grâce à un total de 1,4 million d’heures de GPU. Nvidia souligne particulièrement que plus de 90% des résultats d’optimisation sont réutilisables entre différents modèles, applicables à d’autres modèles de sa gamme de produits IA, et non conçus pour une tâche spécifique.

Cela signifie que les clients actuels de centres de données peuvent obtenir des gains d’efficacité énergétique significatifs grâce à des mises à jour logicielles sans remplacer le matériel — une valeur économique directe pour les fournisseurs cloud hyperscale et les clients d’entreprise pour qui les coûts de calcul sont extrêmement sensibles.

Dans le domaine de l’entraînement IA, le GB300 NVL72 démontre également une forte dynamique de performance. À l’échelle de 256 cartes, en pré-entraînant le modèle DeepSeek-V3 671B sur le framework Megatron Core, le GB300 NVL72 a atteint un rendement de 1648 TFLOPs par GPU, soit un gain de trois fois par rapport au GB200 précédent (606 TFLOPs), établissant un record mondial pour cette tâche.

Il est à noter que ce chiffre ne constitue pas une limite fixe du matériel. Les performances du GB300 NVL72 sous Megatron Core sont passées de 1088 TFLOPs/GPU en novembre 2025 à 1648 TFLOPs/GPU en juin 2026, soit une augmentation totale de 1,5 fois en six mois.

Dans le domaine de l’optimisation collaborative des frameworks IA grand public, la coopération approfondie de Nvidia avec les communautés PyTorch et JAX apporte également des gains significatifs. Sur TorchTitan (stack native de formation PyTorch), le GB300 NVL72 offre sur la tâche DeepSeek-V3 671B une amélioration de performance de six fois par rapport à la configuration sans optimisation, passant de 199 TFLOPs/GPU à 1197 TFLOPs/GPU. Les gains sous le framework JAX sont encore plus impressionnants : en juillet 2026, le rendement par GPU atteint 4082 Tokens/s, soit 1025 TFLOPs/GPU, contre 418 Tokens/s en janvier 2026 (amélioration d’environ 10 fois).

L’efficacité d’extension sur les scénarios d’entraînement à grande échelle est historiquement un indicateur central de l’utilité de l’infrastructure IA. Nvidia indique qu’entre 256 et 1024 cartes, le GB300 NVL72 maintient dans les trois principaux frameworks une efficacité d’extension proche de la limite théorique : Megatron Core atteint 98,5%, TorchTitan et JAX atteignent 97%.

Nvidia attribue cette performance d’extension à la puce réseau Scale-Out de 800 Gb/s intégrée au rack NVL72. L’interconnexion à haut débit détermine directement le coût de communication dans les entraînements multi-machines, influençant ainsi l’efficacité d’extension globale. Cette capacité réseau est considérée comme la composante essentielle qui sous-tend la haute efficacité inter-framework mentionnée ci-dessus.

Au moment de la publication de ces avancées en optimisation, la prochaine génération de la plateforme Vera Rubin de Nvidia est déjà en déploiement mondial. Selon les rapports, le Vera Rubin NVL72 offre une amélioration d’environ dix fois du rendement en Tokens par rapport à Blackwell : le GB200 NVL72 atteint environ 80 000 Tokens/s, tandis que Vera Rubin NVL72, à une consommation équivalente de 150MW, atteint 800 000 Tokens/s.

Cependant, la plateforme Blackwell est déployée dans d’innombrables centres de données à travers le monde ; la stratégie de Nvidia, similaire à l’ère Hopper, consiste à continuer d’exploiter le potentiel du matériel déjà déployé par optimisation logicielle tout en avançant sur le nouveau plateau. Cette approche prolonge le cycle de retour sur investissement du matériel pour les clients existants et renforce l’attachement de la plateforme Nvidia dans l’écosystème de l’infrastructure IA. Pour le marché, sous la dynamique à double ligne Blackwell et Rubin, Nvidia construit progressivement un fossé logiciel difficile à franchir à court terme pour ses concurrents.