NVIDIA Rubin: seis chips, um rack NVL72 e o que isso significa para quem desenvolve
A NVIDIA apresentou a plataforma Rubin, sucessora da Blackwell, e o anúncio tem a forma de sempre: muitos petaflops, muitos terabytes por segundo e promessas de custo menor. Quase ninguém que lê este blog vai comprar um rack Vera Rubin. Mesmo assim, vale entender o que foi anunciado, porque é esse hardware que vai definir preço, latência e tamanho de contexto das APIs de modelos que usamos a partir do segundo semestre.
O que foi anunciado
A Rubin não é um chip, são seis, projetados para funcionar juntos:
- CPU Vera, com 88 núcleos Olympus próprios e compatibilidade com Armv9.2;
- GPU Rubin, com 50 petaflops de computação NVFP4 por GPU, voltada a inferência, e a terceira geração do Transformer Engine;
- Switch NVLink 6;
- SuperNIC ConnectX-9;
- DPU BlueField-4;
- Switch Ethernet Spectrum-6.
Esses chips aparecem em dois formatos principais. O Vera Rubin NVL72 é um rack com 72 GPUs Rubin e 36 CPUs Vera, ligados por NVLink 6, com SuperNICs ConnectX-9 e DPUs BlueField-4. O HGX Rubin NVL8 é uma placa de servidor que conecta oito GPUs Rubin via NVLink, pensada para plataformas x86.
A banda do NVLink é de 3,6 TB/s por GPU e 260 TB/s por rack NVL72. A plataforma também traz a terceira geração de Confidential Computing, e a NVIDIA afirma que o Vera Rubin NVL72 é a primeira plataforma em escala de rack a oferecê-la.
As promessas, segundo a NVIDIA
Os números de desempenho vêm da própria NVIDIA, em comparação com a Blackwell:
- até 10x menos custo por token de inferência;
- treinamento de modelos MoE (mixture of experts) com 4x menos GPUs.
O “até” está fazendo muito trabalho nessa frase. Comparações de geração para geração costumam escolher a carga de trabalho mais favorável, e o ganho real depende do modelo, do tamanho de lote e do formato numérico. Ainda assim, a direção é clara: a NVIDIA está otimizando para inferência barata e para modelos MoE, que é exatamente para onde os grandes laboratórios estão indo.
A parte que mais importa para desenvolvedores: contexto e KV cache
O item menos chamativo do anúncio é, para mim, o mais interessante. A NVIDIA apresentou a Inference Context Memory Storage Platform, construída sobre o BlueField-4, projetada para que a infraestrutura de IA compartilhe e reutilize dados de KV cache para escalar o contexto de inferência.
Por que isso importa para quem só chama uma API? O KV cache é o que permite a um modelo não recalcular todo o prompt a cada token gerado. Em contextos longos e em agentes que voltam ao mesmo histórico várias vezes, guardar e reaproveitar esse cache é o que torna recursos como prompt caching baratos. Uma camada de armazenamento dedicada a isso sugere que os provedores vão ter mais espaço para oferecer contextos maiores e cache mais longo a preços menores.
Junto com os 50 petaflops de NVFP4 por GPU, a mensagem é que a próxima geração de infraestrutura foi desenhada em torno de inferência com contexto longo, não só de treinamento.
Quando isso chega
A NVIDIA diz que a Rubin está em produção plena, mas os produtos baseados nela só estarão disponíveis via parceiros no segundo semestre de 2026. Entre os primeiros a implantar na nuvem em 2026 estão AWS, Google Cloud, Microsoft e OCI, além dos parceiros NVIDIA Cloud CoreWeave, Lambda, Nebius e Nscale.
Ou seja: nada muda nas suas contas de API amanhã. O efeito, se vier, aparece ao longo do ano, à medida que os provedores de modelos migrarem capacidade.
Minha leitura
Para quem desenvolve software, a Rubin é uma notícia indireta, mas não irrelevante. Se as promessas de custo por token se confirmarem mesmo que parcialmente, o preço de modelos grandes deve continuar caindo, e contextos longos devem ficar mais baratos graças ao foco em KV cache. Eu não tomaria nenhuma decisão de arquitetura com base nos “até 10x” da NVIDIA. Mas faria uma aposta conservadora: desenhar sistemas assumindo que inferência com contexto longo vai ficar mais acessível ao longo de 2026, e evitar otimizações complexas que só existem para contornar o custo atual de tokens.