7月1日，Graphcore公布了其最新一轮MLPerf测试结果。此次提交中，基于新发布的Bow系统，Graphcore在图像分类模型ResNet-50和自然语言处理模型BERT上的表现较上一轮分别提升最高31%和37%。与此同时，官方还新增了语音转录模型RNN-T的测试结果。
本轮MLPerf提交还有一项值得关注的变化：首次出现第三方基于Graphcore系统完成测试。百度飞桨使用Graphcore平台进行了BERT项目提交，最终成绩与Graphcore自身提交的结果几乎一致，显示出IPU性能具备较强的跨框架复现能力，也反映出相关软件与硬件生态正在持续完善。
据介绍，Graphcore此次在封闭分区中围绕ResNet-50和BERT提交了多套以Bow IPU为核心的系统配置，包括Bow Pod16、Bow Pod64、Bow Pod128和Bow Pod256。与上一代产品相比，Bow系统在维持价格不变的前提下带来了更高性能，进一步提升了整体性价比。
从测试结果来看，Bow系统在训练效率上有明显提升。其中，ResNet-50的训练时间最高缩短31%，BERT的训练时间最高缩短37%。
在通常由GPU占据优势的ResNet-50任务中，Bow Pod16完成训练仅需19.6分钟，快于NVIDIA DGX-A100 640GB的28.7分钟，进一步体现出该系统在特定训练场景下的竞争力。
除了上述模型，Graphcore还在开放分区提交了RNN-T的测试结果。RNN-T是一类高精度语音识别模型，广泛应用于移动设备语音转录等场景。根据披露数据，在Bow Pod64上，RNN-T的训练周期可由原本数周缩短至数天。
百度飞桨验证跨框架复现能力
在本次MLPerf Training 2.0提交中，百度飞桨使用Bow Pod16和Bow Pod64完成了BERT在封闭分区的测试。其结果与Graphcore基于PopART框架提交的成绩基本一致，说明Graphcore IPU平台的性能不仅能够在自有软件栈中体现，也可以在不同框架环境下稳定复现。
这一能力的实现，来源于硬件架构的灵活性、软件层面的持续优化，以及本地技术支持与合作伙伴协同。此次合作中，百度将Graphcore的Poplar技术与飞桨框架结合，取得了较为理想的性能表现。
百度飞桨方面表示，双方在本次MLPerf测试中的合作取得了积极成果，Graphcore的IPU系统展现出较强性能潜力，未来有望在更多应用场景中发挥作用。双方也希望继续深化在硬件生态共创方面的合作，以技术创新推动人工智能产业落地。
双方将继续拓展AI硬件生态合作
目前，百度飞桨已经实现对IPU的全面支持。Graphcore也是飞桨硬件生态的重要参与方之一，并已加入相关硬件生态共创计划。接下来，双方预计将继续推进合作，为开发者提供更多工具与能力，促进AI生态发展，并加快人工智能在产业中的应用与商业化进程。
