En bref : selon les informations disponibles, Nvidia aurait truste la totalité des tests de MLPerf Training v6.1, la dernière édition d’un banc d’essai qui chronomètre la vitesse d’entraînement des modèles d’IA. Un résultat impressionnant, porté par ses puces Blackwell et sa nouvelle génération Rubin, mais qu’il faut lire avec quelques nuances.
MLPerf, c’est quoi au juste ?
MLPerf est une série de tests standardisés pilotée par MLCommons, un consortium qui réunit industriels et laboratoires de recherche. Son but : mesurer, avec des règles communes, la performance du matériel et des logiciels utilisés pour l’intelligence artificielle. On peut le voir comme un banc d’essai comparable à ceux de l’automobile : tout le monde roule sur le même circuit, avec le même carburant, pour que les chronos soient comparables.
Il existe deux grandes familles d’épreuves. La première, MLPerf Inference, mesure la vitesse à laquelle un modèle déjà entraîné répond à des requêtes. La seconde, MLPerf Training, celle qui nous intéresse ici, chronomètre le temps nécessaire pour entraîner un modèle, c’est-à-dire lui faire apprendre ses paramètres à partir de zéro jusqu’à un niveau de qualité fixé d’avance.
Que signifie « remporter » ces tests ?
La suite Training comprend plusieurs scénarios représentatifs des usages réels : grands modèles de langage, systèmes de recommandation, vision par ordinateur, génération d’images, entre autres. Pour chaque épreuve, les participants soumettent le temps mis par leur configuration pour atteindre la cible de précision demandée. Le plus rapide l’emporte.
Annoncer que Nvidia a remporté l’ensemble des tests revient donc à dire que, selon les chiffres soumis, ses plateformes auraient signé les meilleurs temps d’entraînement sur chaque scénario de cette édition v6.1. Il faut toutefois préciser un point : dans ce type de classement, Nvidia est aussi, de loin, le fournisseur dont le plus grand nombre de systèmes sont engagés, ce qui multiplie ses chances de figurer en tête.
Blackwell et Rubin, les moteurs de cette avance
Cette domination s’appuie sur deux générations de puces. D’un côté, l’architecture Blackwell, déjà largement déployée dans les centres de données, et ses déclinaisons en racks interconnectés qui font travailler des dizaines de processeurs comme une seule grande machine. De l’autre, la nouvelle génération Rubin, que Nvidia a commencé à présenter dans les récents cycles MLPerf et qui promet des gains supplémentaires de vitesse et d’efficacité.
L’intérêt de ces systèmes ne tient pas qu’à la puissance brute d’une puce isolée. Il réside surtout dans la capacité à relier des milliers de processeurs avec des interconnexions très rapides, afin de répartir l’entraînement d’un modèle géant sans que les communications ne deviennent un goulet d’étranglement. C’est souvent là que se joue la différence sur les plus grosses épreuves.
Comment se déroule une édition
MLPerf fonctionne par cycles réguliers. À chaque édition, les constructeurs et les fournisseurs de cloud soumettent leurs résultats sur la base d’un code et de jeux de données communs. Ces soumissions sont ensuite examinées par les autres participants, dans une logique de contrôle mutuel, avant d’être publiées sur le site de MLCommons. Cette transparence est l’un des points forts du dispositif : contrairement à une démonstration commerciale isolée, les chiffres peuvent être comparés d’un acteur à l’autre.
Le numéro de version, ici v6.1, situe simplement l’édition dans la série. D’un cycle au suivant, les épreuves évoluent : certaines sont ajoutées pour coller aux usages du moment, comme les grands modèles de langage, d’autres retirées quand elles ne sont plus représentatives. Comparer deux éditions demande donc un peu de prudence, puisque le contenu des tests n’est pas figé.
Pourquoi c’est important
Pour les entreprises qui entraînent des modèles, chaque heure gagnée compte. Un entraînement plus rapide, c’est un coût réduit, des expérimentations plus nombreuses et une mise sur le marché accélérée. Dominer MLPerf est donc un argument commercial de poids pour Nvidia, dans un secteur où la demande en puissance de calcul reste très forte et où la concurrence, notamment de la part d’AMD et de puces maison conçues par les grands acteurs du cloud, cherche à grignoter des parts de marché.
C’est aussi un signal pour l’ensemble de la filière : les progrès d’une édition à l’autre donnent une idée du rythme auquel l’entraînement des IA devient plus efficace, à matériel comparable.
Les nuances à garder en tête
Un tel résultat mérite d’être relativisé pour plusieurs raisons. D’abord, les bancs d’essai, par construction, mesurent des tâches précises dans des conditions idéales : ils ne reflètent pas forcément les performances sur un projet réel, avec ses contraintes de données et de budget. Ensuite, certains résultats sont soumis en catégorie « préversion », c’est-à-dire sur du matériel pas encore commercialisé, ce qui invite à la prudence.
Il y a aussi la question du coût. Être le plus rapide ne dit rien du prix d’achat des systèmes ni de leur consommation électrique. Or l’entraînement des grands modèles est très énergivore, et l’empreinte énergétique de ces fermes de calcul est devenue un sujet de préoccupation à part entière. Enfin, un classement dominé par un fournisseur qui engage le plus de configurations n’équivaut pas à une mesure parfaitement neutre de la concurrence.
En clair, selon les informations disponibles, Nvidia confirme son statut de leader sur l’entraînement des IA, mais ce type d’annonce se lit comme une photographie à un instant donné, et non comme un verdict définitif.
Ce qu’il faut retenir
- Selon les informations disponibles, Nvidia aurait remporté l’ensemble des tests de MLPerf Training v6.1, publiée le 16 novembre 2026.
- MLPerf Training est un banc d’essai de référence qui chronomètre le temps d’entraînement des modèles d’IA selon des règles communes.
- Cette avance repose sur les puces Blackwell déjà déployées et sur la nouvelle génération Rubin, ainsi que sur des interconnexions très rapides.
- Une vitesse accrue réduit les coûts et accélère la mise au point des modèles, un argument fort face à AMD et aux puces maison des géants du cloud.
- À nuancer : benchmarks orientés vers des tâches précises, résultats parfois en préversion, et question ouverte du coût et de la consommation énergétique.




