← Torna al blog
Aicirca 6 min di lettura

Un produttore cinese di GPU pubblica i numeri dell'addestramento e tace il termine di paragone

Pubblicato 15 nov 2026
Un produttore cinese di GPU pubblica i numeri dell'addestramento e tace il termine di paragone

Il 6 novembre, a una conferenza del settore telecomunicazioni in Cina, Moore Threads ha pubblicato una serie di risultati di addestramento per la piattaforma MTTS5000. Le affermazioni di punta sono abbastanza precise da essere verificabili in linea di principio: un modello mixture-of-experts da 236 miliardi di parametri addestrato da zero, un corpus di oltre 25 trilioni di token, punteggi MMLU in linea con le schede di calcolo internazionali più diffuse e un tempo di addestramento utile superiore al 90%.

La piattaforma gira su chip PH100, che secondo l'azienda facevano parte del primo lotto a superare la valutazione nazionale cinese della sicurezza informatica, con sopra lo stack software MUSA.

C'è molto da smontare, e un buco grande. Ogni numero è autodichiarato, e il termine di confronto è descritto solo come GPU di addestramento internazionali diffuse, senza alcun modello nominato. Quella formula può indicare tanto un prodotto di punta attuale quanto una scheda di tre anni fa. Finché la base di confronto non ha nome e configurazione, i fattori sono marketing.

Detto questo, alcune affermazioni informano più di un rapporto di throughput, e una in particolare merita attenzione.

Il numero che conta davvero

Un tempo di addestramento utile sopra il 90% è il dato meno appariscente dell'annuncio e il più rivelatore. Misura la frazione di tempo reale che il cluster ha passato a lavorare invece che ad aspettare: un nodo guasto, un checkpoint che si blocca, un intoppo di rete, un riavvio del job.

una fila di barre d'acciaio identiche su una superficie scura, una lucidata a specchio e sollevata da un sottile lamierino d'ottone

Il picco di FLOPS è un numero da scheda tecnica. Il tempo di addestramento utile è un numero operativo. I cluster grandi hanno la reputazione di restare ben sotto l'utilizzo teorico, e le cause raramente sono il chip. Sono il comportamento dello scheduler, la stabilità dell'interconnessione, il recupero dai guasti e quanto dello stack è stato scritto dal fornitore invece che preso in prestito.

Uno stack nazionale che tiene il 90% su un MoE da 236 miliardi addestrato da zero afferma qualcosa di più difficile di una moltiplicazione di matrici più veloce. Afferma che le parti noiose funzionano. Se sia vero è un'altra domanda, ma è la cosa giusta da affermare.

Le modalità di guasto che spingono un cluster sotto il 90% sono ben documentate e nessuna è glamour: una GPU in ritardo che rallenta l'intero passo sincrono, una scrittura di checkpoint che blocca l'addestramento per minuti, una fabric che degrada sotto il traffico all-reduce, uno scheduler che lascia le schede inattive tra un job e l'altro. Sistemarle è lavoro software che si conta in anni-ingegnere, ed è proprio la parte che una scheda tecnica non può mostrare.

Perché partire da zero conta

Quasi tutti gli annunci di acceleratori nazionali parlano di fine-tuning o di inferenza, perché sono più facili e i risultati arrivano prima. Addestrare un MoE da 236 miliardi da inizializzazione casuale su 25 trilioni di token è un'altra classe di affermazione: mesi di funzionamento continuo, gestione dei checkpoint su scala e una curva di loss che converge o non converge.

La parità su MMLU è un proxy debole per questo. È un benchmark saturo, e un modello può atterrare vicino allo stesso punteggio attraverso percorsi di addestramento molto diversi. Quello che stabilisce è che l'esecuzione non è crollata. Un job di addestramento distribuito rotto non produce un modello che segna nell'intervallo normale.

Gli altri due punti dell'annuncio sono più interessanti di MMLU. L'azienda dice che lo stesso stack ha addestrato in modo nativo il modello del mondo EvoPhys-World5D dell'Università di Pechino, e che quel modello è rimasto primo nella dimensione di generazione di mondi del WorldScore di Stanford per 37 giorni consecutivi. Dice anche di aver supportato end-to-end l'addestramento di RoboBrain2.5, un modello incarnato della Beijing Academy of Artificial Intelligence.

Sono carichi di terzi con proprietari nominati, quindi più falsificabili di un benchmark interno. Se i modelli esistono e la posizione in classifica è reale, il cluster ha fatto qualcosa.

L'affermazione sulla guida autonoma

L'unico fattore con un carico concreto attaccato riguarda la percezione BEV per la guida autonoma, dove l'azienda dichiara un throughput di addestramento su una e due macchine da 1.56 a 1.67 volte quello di una GPU di addestramento internazionale diffusa.

I modelli di percezione sono un test onesto. Sono di taglia media, affamati di dati e sensibili alla larghezza di banda di memoria e all'interconnessione, che è esattamente dove un'architettura più recente può vincere o perdere. Un fattore di 1.6 su quel carico è plausibile per uno stack ben tarato contro una scheda vecchia, e implausibile contro il vertice attuale senza molto contesto su batch size e precisione.

Di contesto non ne è stato dato nessuno.

Cosa lo renderebbe credibile

Tre divulgazioni risolverebbero la maggior parte della questione.

Nominare la scheda di riferimento, la sua configurazione di memoria e la topologia di interconnessione. Un confronto di throughput senza questi elementi non è un confronto.

Pubblicare la curva di loss e il throughput a livello di token per l'esecuzione da 236 miliardi, invece del solo MMLU finale. L'efficienza di addestramento si vede nella curva molto prima che in un benchmark.

E dichiarare quale frazione del codice di addestramento è nativa MUSA e quale è portata da CUDA. I port sono accettabili. Un port descritto come nativo è un'altra affermazione, ed è quella che interessa davvero alle aziende quando pianificano una migrazione.

Niente di tutto questo è una richiesta insolita. È ciò che chiede qualsiasi acquirente di un cluster di addestramento prima di firmare, e le risposte di solito stanno sotto NDA invece che in un keynote.

C'è un motivo per cui i fornitori pubblicano i numeri che pubblicano. Gli acquirenti enterprise in Cina non possono facilmente misurare da soli gli acceleratori concorrenti, perché il confronto richiede entrambe le piattaforme nella stessa stanza, e i controlli sull'export rendono quella stanza difficile da allestire. In quel vuoto, la presentazione del fornitore diventa il documento di riferimento, e un'affermazione ripetuta in abbastanza conferenze inizia a funzionare come un fatto.

Quel vuoto è la differenza tra una decisione di acquisto e un comunicato stampa.

La lettura strategica

La storia degli acceleratori nazionali cinesi è passata per tre fasi: far girare l'inferenza, fare fine-tuning, addestrare. Questo annuncio prova a chiudere la terza. Il dettaglio interessante è che ora l'affermazione si appoggia a un'esecuzione di addestramento completa di un MoE grande invece che a un kernel di benchmark.

Se i numeri reggono a una replica indipendente, la conseguenza pratica va oltre la vendita persa da Nvidia: un laboratorio cinese può pianificare un addestramento su scala frontier senza licenza di export, e questo sposta l'orizzonte di pianificazione più del prezzo.

Se non reggono, l'annuncio segna comunque qualcosa: il punto in cui il discorso ha smesso di riguardare l'equivalenza in inferenza e ha iniziato a riguardare l'equivalenza in addestramento. È un'affermazione più difficile da ritirare, e i prossimi numeri saranno letti contro di essa.

Articoli correlati