今天是MLPerf Inference基准测试结果的第二轮发布(0.7版)。与7月份宣布的最新培训结果一样，新的推论数字表明提交的公司数量有所增加，支持的平台和工作负载也有所增加。MLPerf推断编号分为四类-数据中心，边缘，移动和笔记本。提交的数量从43个增加到327个，提交的公司数量从仅仅9个增加到21个。提交的公司包括半导体公司，设备OEM和几个测试实验室。这轮提交的明显遗漏包括Google和所有中国公司，包括先前的参与者阿里巴巴和腾讯。
作为快速更新，MLPerf是一个行业协会，旨在开发机器学习(ML)/人工智能(AI)解决方案的标准。MLPerf是一组基准测试的汇编，用于测量ML / AL硬件，软件和服务的训练和推理性能。最新的Inference v0.7结果仅是第二次发布推理结果。第一次是大约一年前。MLPerf组织正在不断努力，以代表真实AI工作负载的新模型或增强模型来增强基准套件。此外，该组织正在努力提高测试频率，以每年至少两次为目标，正在考虑允许在主要版本之间发布测试结果，并努力添加其他限定词，例如用于评估AI平台效率的功耗数据。测试结果可以由电子价值链中的任何公司提供，并可以进行随机审核。
每个细分类别都包括一个“封闭”和“开放”细分。“封闭”部分是指使用与参考模型相同的工作量模型运行的测试。“开放”部分允许更改模型，以便供应商可以展示相对于其他目标工作负载的性能。此外，还有一些细分市场-当前市场上的产品“可用”，未来六个月内市场上的产品的“预览”，以及仍在开发中或刚刚考虑的产品的“研究，开发或内部”实验室项目。为了保持一致，我们大多数分析都集中在封闭和可用的细分上。在某些情况下，产品没有所有测试的编号，因为没有提交编号或无法达到最低99%的准确度等级。由于基准套件不断变化，在套件达到更成熟的状态之前，将数字与以前的结果进行比较并不是特别有用。但是，从结果中可以收集到很多东西。
对于数据中心应用，推理0.7v测试包括四个新基准测试-代表自然语言处理工作负载的双向编码器表示和转换(BERT)，代表推荐工作负载的深度学习推荐模型(DLRM)，代表医学成像的3D U-Net工作量，以及代表语音到文本工作量的递归神经网络转换器(RNN-T)。在封闭类别中，结果类似于7月份发布的培训测试结果。加速平台在性能上大大超过了纯CPU平台，领先的加速器是GPU，领先的GPU则是英伟达基于Ampere架构的新型A-100 GPU。在每个工作负载中，前任领导者特斯拉(T4)GPU的性能提升显然是显而易见的。这证明了Ampere架构的价值，该架构允许在单个GPU上进行七个推理分区。在其他加速器方面，仅Xilinx FPGA代表并且仅在开放类别中。
