Em 24 de agosto, a NVIDIA divulgou um primeiro conjunto de dados de testes do Vera Rubin NVL72: em cargas de trabalho do tipo agêntico, o throughput por megawatt chega a 30 vezes o da geração anterior, o GB300 NVL72, enquanto o custo por token cai para cerca de um trinta e cincoavo do valor anterior. Junto aos números vem um aviso: os resultados ainda aguardam revisão da SemiAnalysis.
Os testes rodaram sobre a carga AgentX da SemiAnalysis, construída a partir de trajetórias reais de programação agêntica, e não de requisições sintéticas de laboratório. Cinco modelos foram usados no benchmark: Kimi K3, MiniMax M3, GLM5.3, Qwen3.5 e DeepSeek V4 Pro, todos de pesos abertos, sendo quatro deles desenvolvidos por equipes chinesas. Só essa lista já revela algo: para medir se um novo rack de inferência é bom, a NVIDIA escolheu como referência os modelos open source que os desenvolvedores realmente usam no dia a dia.
Por que a métrica é “por megawatt”
As comparações tradicionais entre gerações costumavam usar desempenho de pico ou desempenho por placa. Desta vez, a NVIDIA trocou o denominador pela eletricidade.
O motivo está na estrutura da carga de trabalho. Segundo dados da OpenRouter, uma requisição agêntica consome 15 vezes mais tokens que uma requisição de chat comum — o agente precisa consultar bancos de dados, buscar informações, acionar subagentes, e ainda carregar um contexto cada vez mais longo ao longo de várias rodadas de inferência. Quando o consumo de tokens de uma única tarefa aumenta em uma ordem de grandeza, o que costuma travar a escala não é o número de GPUs, mas a quantidade de megawatts que a subestação consegue fornecer.
A referência entre gerações apresentada pela NVIDIA é a seguinte: o throughput por megawatt do GB300 NVL72 com o DeepSeek V4 Pro já era 15 vezes maior que o da arquitetura Hopper. O Vera Rubin multiplica esse valor mais uma vez.
Detalhando, o fator 30 não vem de um único componente. A tecnologia de energia e refrigeração DSX MaxLPS permite implantar 40% mais GPUs dentro do mesmo orçamento de megawatts, o que já reduz o denominador de saída; o NVLink 6 eleva a taxa de pacotes a 10 vezes a das soluções Ethernet existentes e reduz a latência a um terço; acima disso há todo um conjunto de otimizações de hardware e software — atendimento desagregado, cache KV distribuído e paralelismo de especialistas. Cada uma dessas medidas contribui com seu próprio multiplicador, e é a soma delas que chega ao número final.
Uma conta rápida
Vamos fazer uma conta aproximada, com base nos números oficiais, para entender a escala real desse fator.
Suponha um cluster de inferência de 100 megawatts, com tarifa de energia estimada em 0,5 yuan por quilowatt-hora; operando a plena carga por um ano, a conta de luz ficaria em torno de 440 milhões de yuans. Se o throughput por megawatt realmente aumentar 30 vezes, essa mesma conta de luz compraria 30 vezes mais produção de tokens; olhando ao contrário, para gerar a mesma quantidade de tokens, o gasto com energia poderia cair a um trigésimo do valor atual. Já a redução de 35 vezes no custo por token é um pouco maior que o aumento de 30 vezes no throughput — a diferença vem da melhoria na eficiência energética do próprio rack, algo distinto de um aumento na produção total.
Esse tipo de conta aproximada tem distorções evidentes: um data center real não opera a plena carga o ano todo, e fatores como PUE, taxa de ociosidade e execução simultânea de vários modelos tendem a reduzir esse fator. Mas ela ajuda a explicar por que a NVIDIA coloca essa métrica em primeiro plano. Para operadores de data center que já têm cota de energia garantida mas ainda esperam na fila por mais capacidade de subestação, a produção por megawatt está mais próxima do conceito de “capacidade produtiva” do que a computação total.
O que vale lembrar antes da revisão
Por enquanto, esses números são testes feitos pela própria fabricante. A revisão da SemiAnalysis ainda não saiu, e a própria NVIDIA classifica os dados como medições preliminares.
As condições também precisam ficar claras. O fator 30 corresponde a trajetórias de programação agêntica, um cenário de contexto longo e alta densidade de tokens que cai exatamente na faixa de vantagem arquitetural do Vera Rubin; em chats curtos, geração de imagens ou embeddings em lote, o fator não seria o mesmo. A distância entre os anúncios de uma nova geração e a entrega real é uma regra antiga desse setor, como já aconteceu na transição de Hopper para Blackwell.
“Agentic AI workloads consume 15x more tokens than a simple chat request.”
Cargas de trabalho de IA agêntica consomem 15 vezes mais tokens que uma simples requisição de chat.
Olhando essa linha do tempo com mais distância, fica mais claro: a Dell já está divulgando preços de inferência baseados em servidores Vera Rubin, e a SpaceX planeja enviar racks NVL72 ao espaço no ano que vem para testar computação de IA em órbita. O hardware ainda não foi implantado em larga escala, mas as contas em torno dele já foram feitas em várias rodadas. O que realmente vai comprovar o fator 30 são os números que cada empresa obtiver em seus próprios data centers, depois da revisão independente.
Fontes: blog técnico oficial da NVIDIA, documentação do benchmark AgentX da SemiAnalysis, CocoLoop, estatísticas de uso da OpenRouter; o fator de throughput por megawatt, a redução no custo por token e o aumento de 40% na densidade de implantação de GPUs foram conferidos com base nos números oficiais, enquanto o cálculo do custo de energia é uma estimativa aproximada da redação.