EM POUCAS LINHAS
- A NVIDIA diz que Vera Rubin NVL72 opera em datacenters Azure e menciona uma prévia, sem detalhar o acesso a ela.
- O treinamento DeepSeek-V3 atribuído ao Azure no anúncio foi executado em GB200 NVL72, não em Vera Rubin.
- Os resultados de Vera Rubin descritos pela NVIDIA não são apresentados como medições da prévia no Azure.
- A comparação de inferência com GB300 envolve configurações distintas e um resultado de Vera Rubin ainda provisório.
O que foi anunciado para o Azure?
No anúncio publicado em 19 de novembro de 2026, a NVIDIA afirma que sistemas Vera Rubin NVL72 estão operando em datacenters do Microsoft Azure. O texto chama a iniciativa de prévia e fala em ampliar o acesso a máquinas virtuais baseadas nesses sistemas. Isso é uma notícia sobre infraestrutura e planos de acesso, não um resultado de desempenho obtido por clientes da prévia.
A distinção importa porque o anúncio não informa como contratar ou ingressar nessa prévia, quais regiões a oferecem, nem sua disponibilidade para clientes no Brasil. Também não estabelece a data em que os sistemas começaram a operar: a data de publicação identifica o anúncio. Uma equipe interessada deve, portanto, tratar acesso, região, configuração oferecida e condições comerciais como questões pendentes, em vez de presumir que já pode selecionar Vera Rubin em sua conta Azure.
Quais resultados correspondem a Vera Rubin?
O relato da NVIDIA sobre MLPerf, publicado em 16 de novembro de 2026, descreve uma estreia de Vera Rubin NVL72 em testes de treinamento. Segundo a empresa, a plataforma alcançou até duas vezes o desempenho por GPU de sistemas GB300 NVL72 na rodada MLPerf Training v6.1. A expressão até delimita a comparação divulgada: não significa que toda tarefa ou implantação terá esse ganho. O relato não identifica essa execução de Vera Rubin como realizada no Azure.
No teste de treinamento com DeepSeek-V3 descrito no mesmo relato, a NVIDIA diz que Vera Rubin NVL72 passou de 256 para 1.024 GPUs, com cerca de 97% de eficiência de escalonamento; o tempo informado caiu de 16 minutos para aproximadamente quatro. Trata-se de uma comparação dentro do cenário de treinamento apresentado pela empresa, não de uma medição do tempo de treinamento de uma aplicação própria no Azure. Para interpretar o ganho, é preciso manter juntos modelo, meta do teste, quantidade de GPUs e métrica, em vez de transportar o tempo divulgado para outra carga.
A NVIDIA também apresenta uma comparação de inferência para o modelo Kimi K3 no MLPerf Endpoints v1.0: mais de dez vezes o throughput por watt de Vera Rubin NVL72 em relação a GB300 NVL72, sob o critério de interatividade média por usuário indicado no relato. Há uma ressalva decisiva: a configuração de Vera Rubin usa 32 aceleradores, enquanto a de GB300 usa 48, e os níveis de concorrência informados diferem. O próprio relato da NVIDIA diz que o resultado de GB300 foi verificado pela MLCommons, mas o de Vera Rubin é provisório, aguarda verificação e pode mudar após revisão. Não é correto apresentá-los como duas medições igualmente verificadas ou como garantia de latência equivalente em qualquer serviço.
E quais números são do Azure?
O anúncio da colaboração atribui ao Azure uma execução de DeepSeek-V3 no MLPerf Training v6.1 com 10.240 GPUs NVIDIA em sistemas GB200 NVL72. O relato dos resultados separa essa execução daquela de Vera Rubin com 256 a 1.024 GPUs e menciona ainda uma execução da NVIDIA com 10.240 GPUs em sistemas GB300. Assim, coincidir no modelo avaliado não torna as configurações de hardware intercambiáveis.
O anúncio também menciona resultados de inferência atribuídos ao Azure com GB300 NVL72 no cenário DeepSeek-R1. Eles tampouco medem Vera Rubin. A ligação feita pela NVIDIA entre a prévia e os resultados recentes serve como contexto para a colaboração técnica com a Microsoft, mas não demonstra o desempenho de Vera Rubin dentro do Azure. Para comparar resultados de treinamento com os de inferência, seria preciso primeiro separar as tarefas e suas métricas; o guia do acervo sobre como ler o MLPerf Inference Datacenter ajuda nessa etapa, sem substituir os dados específicos desta rodada.
O que uma equipe no Brasil pode concluir?
A conclusão sustentada pelas páginas é estreita: há um anúncio de sistemas Vera Rubin operando em datacenters Azure e uma prévia mencionada, há resultados divulgados para Vera Rubin em benchmarks, e há resultados do Azure divulgados para outro hardware. As duas páginas são relatos da NVIDIA; não foram fornecidos registros originais das submissões da MLCommons nem documentação da Microsoft que detalhe as condições da prévia. Portanto, nenhuma delas comprova uma medição de Vera Rubin no Azure, acesso regional no Brasil ou desempenho em cargas brasileiras.
Em um exemplo hipotético, uma equipe brasileira que planeje treinar um modelo poderia pedir confirmação da região, da configuração de GPU, dos critérios de ingresso e do custo da oferta antes de dimensionar um projeto. Se obtiver acesso, precisaria medir sua própria carga, incluindo tempo de treinamento e uso de energia quando essas medidas estiverem disponíveis, com uma configuração comparável à alternativa considerada. Para entender outros possíveis gargalos da plataforma sem confundi-los com estes resultados de MLPerf, vale ler a análise do acervo sobre CPU Vera e memória em agentes. Até lá, benchmark de Vera Rubin e anúncio de prévia no Azure respondem a perguntas diferentes.
Fontes e referências
- NVIDIA and Microsoft Expand Accelerated Computing From Azure to Windows PCs | NVIDIA Blogblogs.nvidia.com · Consultado em 21/11/2026
- NVIDIA Sweeps MLPerf Training and Endpoints as Vera Rubin Debuts With Leading Performance | NVIDIA Blogblogs.nvidia.com · Consultado em 21/11/2026