DDN AI400X3 setzt neuen MLPerf-Standard für KI-Leistung

DDN, ein globaler Anbieter von KI- und Datenintelligenzlösungen, hat bekannt gegeben, dass sein Speichersystem der nächsten Generation, der AI400X3, bei den neuesten MLPerf Storage v2.0 Benchmarks signifikante Ergebnisse erzielt hat. Der AI400X3, angetrieben von DDNs parallelem Dateisystem EXAScaler, wurde entwickelt, um anspruchsvolle KI-Workloads im großen Maßstab zu beschleunigen und bietet eine hohe Leistungsdichte in einem kompakten, energieeffizienten Design.

Diese Weiterentwicklung zielt darauf ab, großen Unternehmen schnellere Einblicke, reduzierte Betriebskosten und die Fähigkeit zu bieten, ihre KI-Initiativen zuversichtlich zu skalieren, ohne Kompromisse bei Leistung oder Nachhaltigkeit einzugehen.

Sven Oehme, CTO bei DDN, betonte die Notwendigkeit einer präzisionsgefertigten Infrastruktur zur Unterstützung von KI im großen Maßstab. „KI im großen Maßstab erfordert mehr als bloße Gewalt – sie erfordert eine präzisionsgefertigte Infrastruktur, die unerbittliche Leistung, Effizienz und Zuverlässigkeit liefern kann“, erklärte er. „Mit dem AI400X3, haben wir genau das erreicht. Diese MLPerf-Ergebnisse beweisen, dass DDN mit den weltweit fortschrittlichsten GPUs Schritt halten – und sie sogar übertreffen – kann, alles innerhalb eines kompakten, stromsparenden Formfaktors. Wir ermöglichen nicht nur KI – wir beseitigen die Engpässe, die sie zurückgehalten haben.“

Der MLPerf Storage Benchmark ist ein Industriestandard zur Bewertung, wie effektiv ein Speichersystem intensive KI-Workloads unterstützt. Der DDN AI400X3 wurde sowohl in Einzelknoten- als auch in Mehrknotenkonfigurationen getestet, was reale Einsatzszenarien von der Erstinstallation bis zum groß angelegten, verteilten KI-Training widerspiegelt. Bemerkenswert ist, dass das System diese Ergebnisse mit einem einzigen, kompakten 2U-Gerät erzielte und damit seine Effizienz und Leistung demonstrierte.

In der MLPerf Storage 2025-Einreichung zeigte der AI400X3 beeindruckende Fähigkeiten:

Beim Einzelknoten-Benchmarking erreichte der DDN AI400X3:

• Die höchste Leistungsdichte für Cosmoflow- und ResNet50-Training, indem er die Datenanforderungen von 52 bzw. 208 simulierten NVIDIA H100 GPUs effektiv mit einem einzigen 2U-Gerät unterstützte.
• Eine I/O-Leistung von 30.6 GB/s für Lesevorgänge und 15.3 GB/s für Schreibvorgänge, was ein schnelles Laden und Speichern von Llama3-8b Checkpoints in 3.4 und 7.7 Sekunden ermöglichte.

Beim Mehrknoten-Benchmarking erreichte er:

• Über 120 GB/s nachhaltigen Lesedurchsatz für Unet3D H100-Training.
• Unterstützung für bis zu 640 simulierte H100 GPUs auf ResNet50.
• Bis zu 135 simulierte H100 GPUs auf Cosmoflow.
• Diese Ergebnisse stellen eine zweifache Verbesserung gegenüber der Leistung des AI400X3 im Vorjahr dar.

Diese Benchmark-Ergebnisse unterstreichen die Fähigkeit des DDN AI400X3 zu konsistent hoher Leistung über ein breites Spektrum von KI-Workloads, selbst unter anspruchsvollen Mehrknoten-Trainingsbedingungen. Indem sichergestellt wird, dass GPUs durch schnellen und zuverlässigen Datenzugriff vollständig ausgelastet bleiben, beschleunigt der AI400X3 das Modelltraining und erleichtert häufige Checkpoints ohne Leistungsabfall. Dies führt zu einer verbesserten Trainingseffizienz, erhöhter Ausfallsicherheit und reduzierten gesamten Infrastrukturkosten.

Mit seinem kompakten 2U-Formfaktor und geringem Stromverbrauch ist der AI400X3 darauf ausgelegt, die zunehmenden Herausforderungen von Rechenzentren in Bezug auf Platz, Strom und Kühlung zu bewältigen, was ihn für Organisationen geeignet macht, die KI-Workloads nachhaltig skalieren möchten.

DDN genießt einen langjährigen Ruf als führender Anbieter von Hochleistungs-KI- und High-Performance-Computing (HPC)-Infrastruktur. Seit 2016 verlässt sich NVIDIA ausschließlich auf DDN, um seine internen KI-Cluster zu betreiben, was DDNs Rolle als vertrauenswürdiger Partner bei der Förderung skalierbarer KI-Innovationen unterstreicht.

Durch die Durchführung der rigorosen MLPerf Storage Benchmarks möchte DDN Unternehmen und KI-Innovatoren unabhängig validierte Daten zur Verfügung stellen, die es ihnen ermöglichen, KI-Lösungen mit größerer Geschwindigkeit und Zuversicht zu entwickeln, zu trainieren und bereitzustellen.