← Voltar ao blog
Aicerca de 6 min de leitura

Um fabricante chinês de GPU divulga números de treinamento e omite a referência

Publicado 15 de nov. de 2026
Um fabricante chinês de GPU divulga números de treinamento e omite a referência

Em 6 de novembro, numa conferência do setor de telecomunicações na China, a Moore Threads publicou um conjunto de resultados de treinamento da plataforma MTTS5000. As afirmações principais são específicas o bastante para serem verificáveis em princípio: um modelo de mistura de especialistas com 236 bilhões de parâmetros treinado do zero, um corpus de mais de 25 trilhões de tokens, pontuações MMLU no nível das placas de cálculo internacionais usuais e tempo de treinamento útil acima de 90%.

A plataforma roda em chips PH100, que segundo a empresa fizeram parte do primeiro lote a passar na avaliação nacional chinesa de segurança da informação, junto com a pilha de software MUSA.

Há muito o que destrinchar, e uma lacuna grande. Todos os números são auto declarados, e o alvo de comparação é descrito apenas como GPUs de treinamento internacionais usuais, sem nenhum modelo nomeado. Essa fórmula cobre desde um produto de topo atual até uma placa de três anos atrás. Enquanto a referência não tiver nome e configuração, os múltiplos são marketing.

Dito isso, algumas afirmações informam mais que uma razão de vazão, e uma em particular merece atenção.

O número que realmente importa

Tempo de treinamento útil acima de 90% é o dado menos vistoso do anúncio e o mais revelador. Ele mede a fração do tempo de relógio que o cluster passou trabalhando em vez de esperando: um nó com falha, um checkpoint travado, um tropeço de rede, um reinício de job.

uma fileira de barras de aço idênticas sobre uma superfície escura, uma delas polida como espelho e erguida por uma fina lâmina de latão

Pico de FLOPS é número de ficha técnica. Tempo de treinamento útil é número de operação. Clusters grandes têm fama de ficar bem abaixo da utilização teórica, e as razões raramente estão no chip. Estão no comportamento do escalonador, na estabilidade da interconexão, na recuperação de falhas e em quanto da pilha o fornecedor escreveu e quanto pegou emprestado.

Uma pilha nacional que sustenta 90% num MoE de 236 bilhões treinado do zero está afirmando algo mais difícil que uma multiplicação de matrizes mais rápida. Está afirmando que as partes chatas funcionam. Se é verdade é outra pergunta, mas é a coisa certa a afirmar.

Os modos de falha que derrubam um cluster abaixo de 90% estão bem documentados e nenhum tem glamour: uma GPU atrasada que freia todo o passo síncrono, uma escrita de checkpoint que bloqueia o treinamento por minutos, uma rede que degrada sob o tráfego de all-reduce, um escalonador que deixa as placas ociosas entre jobs. Consertar isso é trabalho de software contado em anos de engenheiro, e é justamente a parte que uma ficha técnica não consegue mostrar.

Por que começar do zero importa

Quase todos os anúncios de aceleradores nacionais falam de ajuste fino ou de inferência, porque são mais fáceis e os resultados chegam mais rápido. Treinar um MoE de 236 bilhões a partir de inicialização aleatória em 25 trilhões de tokens é outra classe de afirmação: meses de operação contínua, gestão de checkpoints em escala e uma curva de perda que converge ou não converge.

Paridade em MMLU é um proxy fraco para isso. É um benchmark saturado, e um modelo pode chegar perto do mesmo valor por caminhos de treinamento muito diferentes. O que ele estabelece é que a execução não desabou. Um job de treinamento distribuído quebrado não produz um modelo que pontua na faixa normal.

Os outros dois itens do anúncio são mais interessantes que o MMLU. A empresa diz que a mesma pilha treinou de forma nativa o modelo de mundo EvoPhys-World5D da Universidade de Pequim, e que esse modelo ficou em primeiro lugar na dimensão de geração de mundos do WorldScore de Stanford por 37 dias consecutivos. Diz também que apoiou de ponta a ponta o treinamento do RoboBrain2.5, um modelo encarnado da Academia de Pequim para Inteligência Artificial.

São cargas de terceiros com donos nomeados, o que as torna mais refutáveis que um benchmark próprio. Se os modelos existem e a posição no ranking é real, o cluster fez alguma coisa.

A afirmação sobre direção autônoma

O único múltiplo com uma carga concreta anexada está na percepção BEV para direção autônoma, onde a empresa relata vazão de treinamento em uma e duas máquinas de 1.56 a 1.67 vezes a de uma GPU de treinamento internacional usual.

Modelos de percepção são um teste justo. São de porte médio, famintos por dados e sensíveis à largura de banda de memória e à interconexão, que é exatamente onde uma arquitetura mais nova pode ganhar ou perder. Um fator de 1.6 nessa carga é plausível para uma pilha bem ajustada contra uma placa antiga, e implausível contra o topo de linha atual sem muito contexto sobre tamanho de lote e precisão.

Nenhum contexto foi dado.

O que tornaria isso crível

Três divulgações resolveriam a maior parte.

Nomear a placa de referência, sua configuração de memória e a topologia de interconexão. Uma comparação de vazão sem isso não é comparação.

Publicar a curva de perda e a vazão em nível de token para a execução de 236 bilhões, em vez de só o MMLU final. A eficiência de treinamento aparece na curva muito antes de aparecer num benchmark.

E dizer que fração do código de treinamento é nativa de MUSA e que fração foi portada de CUDA. Portes são aceitáveis. Um porte descrito como nativo é outra afirmação, e é a que as empresas realmente levam em conta quando planejam uma migração.

Nada disso é um pedido incomum. É o que qualquer comprador de cluster de treinamento pergunta antes de assinar, e as respostas costumam estar sob NDA em vez de numa apresentação principal.

Há um motivo para os fornecedores publicarem os números que publicam. Compradores corporativos na China não conseguem medir facilmente aceleradores concorrentes, porque a comparação exige as duas plataformas na mesma sala, e os controles de exportação tornam essa sala difícil de montar. Nesse vácuo, a apresentação do fornecedor vira o documento de referência, e uma afirmação repetida em conferências suficientes começa a funcionar como fato.

Essa lacuna é a diferença entre uma decisão de compra e um release de imprensa.

A leitura estratégica

A história dos aceleradores nacionais chineses passou por três fases: consegue rodar inferência, consegue fazer ajuste fino, consegue treinar. Este anúncio tenta fechar a terceira. O detalhe interessante é que a afirmação agora se apoia numa execução completa de treinamento de um MoE grande, e não num kernel de benchmark.

Se os números resistirem a uma replicação independente, a consequência prática vai além de a Nvidia perder uma venda: um laboratório chinês pode planejar um treinamento em escala de fronteira sem licença de exportação, o que desloca o horizonte de planejamento mais do que o preço.

Se não resistirem, o anúncio ainda marca algo: o ponto em que o discurso deixou de ser sobre equivalência em inferência e passou a ser sobre equivalência em treinamento. É uma afirmação mais difícil de retirar, e os próximos números serão lidos contra ela.

Artigos relacionados