Nvidia Vera Rubin ma trenować agentowe modele AI z czterokrotnie mniejszą liczbą GPU

Nvidia przedstawiła 17 lipca szczegóły platformy Vera Rubin, którą firma reklamuje jako sposób na drastyczne obniżenie kosztów post-treningu modeli agentowych. Według materiałów opublikowanych na blogu firmy, nowy sprzęt pozwala trenować największe modele przy użyciu czterokrotnie mniejszej liczby układów graficznych niż wymagała tego poprzednia generacja Blackwell.

Co konkretnie ogłoszono

Vera Rubin to następczyni architektury Blackwell, łącząca nowy procesor Vera z układami graficznymi Rubin w jeden zintegrowany system. Nvidia twierdzi, że kluczem do oszczędności nie jest sama moc obliczeniowa pojedynczego chipa, lecz połączenie sprzętu i oprogramowania, które firma nazywa 'ekstremalnym współprojektowaniem'. W praktyce ma to oznaczać, że firmy trenujące duże modele agentowe potrzebują znacznie mniej fizycznych układów, by osiągnąć ten sam efekt.

Do post-treningu, czyli etapu doszkalania gotowych modeli pod konkretne zadania i zachowania, Nvidia przypisuje osobny zestaw narzędzi: NeMo RL do rozproszonego uczenia ze wzmocnieniem, NeMo Gym jako środowiska treningowe oraz NVIDIA Dynamo do orkiestracji inferencji. Firma podkreśla, że to właśnie post-trening, a nie samo wstępne trenowanie modelu, staje się głównym kosztem w erze modeli agentowych, które muszą uczyć się wielokrotnie poprawiać własne błędy.

Liczby stojące za ogłoszeniem

Nvidia pokazała wyniki modelu Nemotron 3 Ultra, liczącego 550 miliardów parametrów, który w teście SWE-bench Verified, mierzącym zdolność do naprawiania rzeczywistych błędów w kodzie, osiągnął wynik 71,7 procent. Oznacza to, że model poprawnie rozwiązuje mniej więcej siedem na dziesięć realnych zgłoszeń błędów programistycznych z bazy testowej.

Firma podała też liczby dotyczące samej infrastruktury. Nowy procesor Vera ma zapewniać 30 procent większą przepustowość niż architektura x86 przy obciążeniach związanych z uczeniem ze wzmocnieniem, czyli metodą trenowania, w której model uczy się na podstawie nagród za poprawne działania. To istotne, bo właśnie ta metoda dominuje przy dostrajaniu modeli agentowych, które mają samodzielnie wykonywać wieloetapowe zadania.

Pierwsi partnerzy

Prime Intellect, firma zajmująca się rozproszonym trenowaniem modeli, obecnie prowadzi post-trening na Blackwellu i zapowiada przeniesienie skalowania uczenia ze wzmocnieniem na Vera Rubin. Perplexity uruchomiło już asynchroniczny stos do uczenia ze wzmocnieniem i serwuje post-trenowane modele oparte na Qwen3 235B, a przy okazji pochwaliło się, że potrafi synchronizować modele liczące bilion parametrów między węzłami obliczeniowymi w czasie poniżej dwóch sekund. Together AI, oferujące post-trening jako usługę dla klientów zewnętrznych, zapowiedziało wdrożenie Vera Rubin w swojej ofercie.

Te trzy firmy reprezentują różne segmenty rynku, od infrastruktury rozproszonej, przez wyszukiwarki oparte na AI, po usługi chmurowe dla deweloperów, co Nvidia przedstawia jako dowód, że nowa platforma ma zastosowanie w całym łańcuchu produkcji modeli agentowych, a nie tylko w wąskiej niszy badawczej.

Dlaczego to ważne

Koszty trenowania i doszkalania dużych modeli językowych od miesięcy są jednym z głównych tematów rozmów w branży, bo to właśnie rachunki za infrastrukturę decydują, które firmy mogą sobie pozwolić na rozwijanie własnych modeli agentowych, a które muszą korzystać z gotowych usług. Zapowiedź czterokrotnie mniejszego zapotrzebowania na GPU przy tej samej skali treningu, jeśli potwierdzi się w praktyce u klientów, oznaczałaby wymierną obniżkę kosztów dla firm budujących własne systemy agentowe, niezależnie od tego, czy chodzi o korporacje, czy mniejsze startupy korzystające z chmury.

Dla polskich firm i instytucji, które dopiero zaczynają inwestować w agenty AI, taniej dostępna infrastruktura post-treningowa może oznaczać niższy próg wejścia w budowę własnych, dostrojonych modeli zamiast polegania wyłącznie na gotowych API zagranicznych dostawców. Rodzime spółki technologiczne korzystające z chmur publicznych zwykle odczuwają zmiany cen infrastruktury z opóźnieniem, gdy dostawcy usług chmurowych aktualizują własne cenniki po wdrożeniu nowego sprzętu.

Warto jednak zachować ostrożność wobec liczb podawanych przez samego producenta sprzętu. Deklarowana czterokrotna redukcja liczby GPU pochodzi z materiałów promocyjnych Nvidii, a nie z niezależnych testów laboratoryjnych, a rzeczywiste oszczędności klientów zależą od konkretnych obciążeń, konfiguracji i tego, jak szybko partnerzy chmurowi wdrożą nowy sprzęt do swoich centrów danych.

Co dalej

Systemy oparte na Vera Rubin mają trafić do głównych dostawców chmury, w tym AWS, Google Cloud, Microsoft Azure i Oracle Cloud Infrastructure, w drugiej połowie 2026 roku. Dopiero wtedy będzie można zweryfikować, czy deklarowane oszczędności przekładają się na realne ceny usług dla firm korzystających z gotowej infrastruktury, a nie budujących własne centra danych.