NVIDIA’dan Vera Rubin NVL72 için 30 kat verimlilik iddiası

KAYNAKGörsel: NVIDIA ↗

KAYNAKGörsel: Teknokesit ↗

NVIDIA, Vera Rubin NVL72 raf sisteminin ajan tabanlı yapay zekâ yüklerinde GB300 NVL72’ye göre megawatt başına 30 kata kadar daha yüksek çıktı hızı ve milyon token başına 35 kata kadar daha düşük maliyet sunduğunu açıkladı. Bunlar bağımsız test sonuçları değil: Her iki oran da NVIDIA’nın kendi ölçümüne dayanıyor ve şirket, sonuçların SemiAnalysis incelemesini beklediğini belirtiyor.

İddia hangi koşulda geçerli?

Karşılaştırma, DeepSeek V4 Pro modelini SemiAnalysis AgentX ajan tabanlı kodlama iş yüküyle çalıştırıyor. NVIDIA’nın teknik yazısına göre 30 katlık nokta, kullanıcı başına saniyede 160 token etkileşim hedefinde Vera Rubin NVL72 ile GB300 NVL72’yi karşılaştırıyor. Ana blogdaki grafik, 35 katlık maliyet iddiasını da yaklaşık aynı, 160 token/sn/kullanıcı noktasında gösteriyor.

Maliyet grafiğinin ekseni milyon token başına dolar olsa da NVIDIA, bu yazıda donanım alım bedeli, amortisman süresi, elektrik fiyatı, kullanım oranı ve yazılım lisansı gibi hesap varsayımlarını yayımlamıyor. Bu nedenle 35 katlık oran, mevcut bilgilerle dışarıdan yeniden hesaplanamıyor. Şirket ayrıca ölçümün araç çağrılarını üstlenen Vera CPU’nun performansını henüz içermediğini söylüyor.

AgentX ne kadar “gerçek dünya” testi?

AgentX, bağımsız benchmark geliştiricisi SemiAnalysis’in katılımcıların onayıyla kaydedilen Claude Code oturumlarından türettiği bir iş yükü. AgentX v1.0 metodolojisi 393 oturum kullandığını; ham komutların, kaynak kodun ve araç içeriklerinin kaldırıldığını anlatıyor. Bunların yerine istek uzunluğunu, ön eklerin yeniden kullanımını, alt ajan dallarını ve zamanlamayı koruyan sentetik içerik konuyor. Yani “gerçek dünya” ifadesi konuşmaların aslına değil, trafik biçimine karşılık geliyor; benchmark model kalitesini değil çıkarım altyapısının performansını ölçüyor.

SemiAnalysis’in aynı gün yayımladığı AgentX yazısındaki ilk test matrisi Rubin’i içermiyor; yazı Rubin’in ay içinde geleceğini ve güncellenmiş sonuçların daha sonra yayımlanacağını söylüyor. Bu da NVIDIA’nın 30 ve 35 kat rakamlarının haber anında bağımsız doğrulama değil, inceleme sırasındaki üretici verisi olduğunu netleştiriyor.

Teknokesit bakışı: Çarpan kadar dipnot da önemli

30 kat dikkat çekici, ancak tüm yapay zekâ iş yüklerine genellenebilecek bir sonuç değil. Karşımızda tek model, tek ajan senaryosu ve belirli bir etkileşim hedefi var. Üstelik ölçüm, GPU’nun tek başına hızını değil; raf, ağ, bellek ve NVIDIA yazılım yığınının ortak çıktısını karşılaştırıyor. Bağımsız inceleme ve tam yapılandırma dosyaları gelmeden bu sayı bir üretici ön sonucu olarak okunmalı.

Neyi izleyeceğiz?

SemiAnalysis’in Rubin sonuçlarını canlı InferenceX tablosuna ekleyip eklemediğine; test yapılandırması, güç ölçüm yöntemi ve hata oranlarını yayımlayıp yayımlamadığına bakacağız. 35 katlık maliyet hesabının varsayımları ile Vera CPU’nun dahil edildiği yeni ölçümler de iddianın veri merkezi ekonomisine ne ölçüde taşınabildiğini gösterecek.

KAYNAKVera Rubin and Blackwell agentic AI performance per watt ↗

KAYNAKAgentX benchmark methodology ↗

KAYNAKAgentX InferenceX v3 analysis ↗