MLPerf Trainingとは
何を測るテストか
MLPerf Training（エムエルパーフ・トレーニング）は、AI業界の団体MLCommons（エムエルコモンズ）が運営する、AIの学習性能の業界標準ベンチマークです。「学習（トレーニング）」は、大量のデータを使ってAIモデルを一から作ったり、調整したりする処理のことです。このベンチマークは、決められたAIモデルとデータを使い、決められた精度（品質の目標）に届くまでに何分かかるかを測ります。対象のモデルは版ごとに更新され、文章を生成する大規模言語モデル（Llama 3.1など）、画像生成（FLUX.1）、おすすめ表示に使う推薦モデル（DLRM）などが含まれます。同じ団体の「MLPerf Inference」が推論（学習済みモデルで答えを出す処理）を測るのに対し、こちらは学習を測ります。
スコアの見方
結果は「学習にかかった時間（分）」で、短いほど良いことを意味します。各テストは決められた回数だけ実行され、最も速い結果と最も遅い結果を除いた残りの平均が使われます。結果はMLCommonsのサイトで、提出者（メーカーやクラウド事業者）、システム構成（GPUの型番と枚数、CPU、ネットワーク）付きで公開されています。比べるときは、同じ版・同じモデル・同じ部門の結果どうしを見ます。また、GPUの枚数が違うと時間も大きく変わるため、「何枚のGPUで何分か」を必ずセットで見てください。部品が実際に買えるかどうかで「Available（購入・レンタル可能）」「Preview（次回までに購入可能になる予定）」「RDI（研究・開発・社内用）」の区分があります。
比べるときの注意
（1）結果はシステム全体の数値です。数千枚のGPUを使った結果を、1枚の性能と誤解しないでください。GPUの枚数を増やしても、時間は枚数に比例して短くなるとは限りません。（2）「Closed（決められたモデルで全員同じ条件）」と「Open（別のモデルなども許す）」の2つの部門があり、比較にはClosedを使います。（3）ソフトウェアの改良で同じGPUでも版ごとに数字が伸びるため、版をそろえてください。（4）結果のばらつきは、画像系のテストで±2.5％、その他で±5％程度あると公式に説明されています。わずかな差で優劣をつけないようにします。（5）提出は任意なので、一般向けGPUや古い世代のGPUの結果はほとんどありません。（6）RDI区分の結果は市販されていない機器を含むため、購入の判断には使えません。
主に使われる型番のカテゴリ
データセンター向けGPU・AIアクセラレータ（NVIDIA H100／H200／Blackwell系、AMD Instinct MI300系など）と、それを多数つないだAIシステム全体の学習性能の評価。中古のAIサーバーやGPUで学習用のクラスター（多数のサーバーをつないだ計算機群）を組むときの性能の目安に使います。一般向けGPUやCPU単体の比較には向きません。