←搜索结果

搜索“NVIDIA”

按匹配度 · 共 62 条结果 清除搜索

星期五

  1. 事件1 条新闻 · 1 个事实

    Nvidia发布Nemotron 3.5 Super VL与Bolt模型

    Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,面向常驻智能体任务,官方称其在同类开放模型中吞吐最高,比次优模型快5倍;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在RTX/DGX Spark本地运行智能体任务,后者面向GeForce RTX、Jetson上的语音与对话智能体。Super VL与Bolt 74B-A9B已上线Hugging Face,Bolt E4B计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。

    匹配字段标题

  2. Robotics & Automation News

    Skild AI 用自对弈让机器人学会物理技能

    Skild AI 展示了一种自对弈训练方法，让机器人在不依赖人类演示的情况下习得物理技能，其 S1 机器人基础模型在仿真中踢球超过 140 年。训练只设定进球一个目标，策略与自身近期版本对抗，逐步学会摔倒后恢复、带球过人、护球和抢断，随后被迁移到实体人形机器人上完成踢球演示。Skild 称这是 S1 的后训练扩展，并认为物理自对弈有望让机器人超越人类能力上限。

    robots to acquire increasingly complex skills in factories, construction sites, homes and other physical environments without people having to demonstrate every action. Skild used Nvidia Isaac Sim to create the simulated environment, giving the model a single objective: score a goal. Rather than specifying individual behaviors such as dribbling, tackling or recovering after a fall, the researchers allowed the policy to compete against progressively more capable versions of itself. Skild says: “T

    匹配字段正文

    #hot-signal#论文/研究#具身智能#数据/训练
  3. Latent Space精选

    Goodfire 的 Nick Cammarata 提出神经网络已足够清晰，称多义性判断有误

    Goodfire 的 Nick Cammarata 发布文章提出，多数神经元本身是可解读的，许多著名的多义性案例属于误读；他称 2023 年在 OpenAI 的自动可解释性工作只找到约 2% 可解读神经元。相关讨论提到 Qwen-32B 中 90% 的神经元只承担一项功能。Neel Nanda 表示这没有改变他的关键判断，仍认为存在表征叠加，弱激活承载记忆事实；Leo Gao 主张用神经元模拟的 KL 指标来评判解释，Pfau 指出论文尚未发表。

    ia MLX (AA, Meta). Ecosystem: llama.cpp had GGUF support on day 0 (Delangue), and Unsloth published quants, with UD-IQ1 S at 176GB (Unsloth). vLLM day-0 stack: vLLM support covers NVIDIA, AMD MI355X (FP8 and MXFP4) and TPU (vLLM). TPU throughput: Megakernels with DSpark speculation (acceptance length 6) exceed 650 tok/s on 4 TPU v7 chips and 960 tok/s on 8 (hardware). Speculator: Inferact trained a block-diffusion DSpark drafter that proposes up to 7 tokens per pass (speculator). LoRA RL: LoRA G

    匹配字段正文

    #newsletter#论文/研究#推理#开源生态

星期四

  1. 事实所属事件

    Nvidia发布Nemotron 3.5 Super VL与Bolt模型

    Nvidia于2026年10月15日宣布推出Nemotron 3.5 Super VL与面向端侧的3.5 Bolt模型。据Nvidia官方介绍,Super VL为120B参数开放模型,面向常驻智能体任务,官方称其在同类开放模型中吞吐最高,比次优模型快5倍;同时推出Bolt 74B-A9B 24GB与Bolt E4B 4GB两款端侧模型,前者可在RTX/DGX Spark本地运行智能体任务,后者面向GeForce RTX、Jetson上的语音与对话智能体。Super VL与Bolt 74B-A9B已上线Hugging Face,Bolt E4B计划于10月23日发布。同日,SGLang宣布为Super VL提供Day-0支持,在单张RTX 6000 PRO上借助MTP达到243.9 tok/s;Prime Intellect与Nvidia用GRPO在128张GB200 GPU上后训练约11小时,使其在AutomationBench-AA公开集上从34.0%提升到57.7%。当晚OpenRouter上线该模型,次日Perplexity宣布Pro和Max订阅用户及Agent API可使用。

    English translation is being prepared.

    匹配字段标题

    查看事件：Nvidia发布Nemotron 3.5 Super VL与Bolt模型

  2. Unite.AI

    Baker Lab 用 AI 从头设计可切割疾病相关蛋白的蛋白酶

    华盛顿大学蛋白质设计研究所两个团队在 Nature 发表论文，用计算方法从头设计蛋白酶，可在选定序列处水解多肽骨架，包括 TDP-43、amyloid-β 和血清淀粉样蛋白 A 等疾病相关蛋白上的位点。金属蛋白酶研究用 RFdiffusion 设计含锌活性位点的蛋白，135 个设计中 36% 能切割目标肽键，最佳初始设计将水解加速超过 10⁸ 倍，四处分替换后提升至超过 10¹⁰ 倍；半胱氨酸蛋白酶研究用新深度学习方法 RFD2-MI 设计，69 个中 13 个有活性，加速最高 3 × 10⁷ 倍，并在 HeLa 细胞中验证了切割。两篇论文的通讯作者均包括 David Baker 和 ETH Zurich 的 Donald Hilvert。

    rated and reviewed by Unite.AI’s editorial team for accuracy and compliance. Discover More Square Launches Flagship Kiosk With Agentic AI Voice Ordering; xAI Introduces Grok Voice 3.0 Speech-to-Speech Model for Voice Agents; NVIDIA Unveils cuPotential as Semiconductor Leaders Adopt CUDA-X; Microsoft Research Publishes AI Weather Forecasting Study in Nature; Google Rolls Out AI Scam Defenses Across Android Messages and Calls; OpenAI Alleges Employee Who Rejoined Apple Took Unreleased Device Files

    匹配字段正文

    #hot-signal#论文/研究#数据/训练#开源生态
  3. The Verge AI

    微软开源机器学习工具 PBC，改进两周至六周天气预报

    微软研究院联合 MIT、ECMWF 等机构在 Nature 发表 Probabilistic Bias Correction（PBC）方法，用机器学习识别并修正现有天气预报模型的系统性偏差，而非新建独立模型。研究显示 PBC 将 ECMWF 物理模型的降水准确率提升覆盖 98% 的目标、温度提升覆盖 92%，并使其 AI 预报系统的准确率翻倍；该工具已开源，且可仅靠 CPU 运行。ECMWF 机器学习战略负责人 Matthew Chantry 称这是社区受益的新思路，但把想法落地到业务运行仍是最具挑战的一步。

    ency responders to plan ahead with greater certainty. The findings were published today in the journal Nature , and the tool is now open-source software . Microsoft joins Google , Nvidia , and other companies developing AI tools for weather forecasting. Instead of creating a new standalone weather model, Microsoft’s latest research in this realm uses machine learning to correct bias in existing models. It’s a more accessible way for resource-strapped weather agencies to improve accuracy using AI

    匹配字段正文

    #tech-media#论文/研究#开源生态#数据/训练

星期三

  1. 事件1 条新闻 · 1 个事实

    Nvidia论文提出按首次通过测试的编辑评估基座模型

    2026年10月12日,Nvidia发表一篇新论文,提出按首次通过测试的编辑来评估基座模型。论文发现,按智能体运行的每一步给基座模型打分,效果不如只按首次让测试通过的编辑打分。方法上,研究者回放强智能体的成功运行轨迹,在每次编辑后重跑测试,找到第一个让测试通过的编辑,再检验基座模型是否偏好该编辑、能否在失败编辑中选中它并写出可通过的编辑。基座模型写出该编辑的可能性对10个模型的排名,与它们后训练后的SWE-bench Verified分数一致,相关性为0.964。作者建议在为智能体任务选择待后训练的基座模型时先做这项检查,它只需要某个基准的成功智能体运行轨迹和测试。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    Zyphra 发布 5 万亿 token 数据集 Zyda-2

    2024 年 10 月 15 日,Zyphra 发布约 5 万亿 token 的宽松许可数据集 Zyda-2,并已在 HuggingFace 上开放。该数据集由 DCLM、FineWeb-Edu、Zyda-1 和 Dolma v1.7 的 Common Crawl 部分经跨数据集去重与模型过滤组合而成。Zyphra 表示,借助 NVIDIA NeMo Curator 的 GPU 加速,数据处理从 CPU 上的 3 周缩短到 2 天,总拥有成本降低 2 倍。Zyphra 还称,用 Zyda-2 退火训练的模型在 MMLU、Hellaswag 等聚合评测上优于 DCLM 和 FineWeb-Edu,其 Zamba2 系列模型即基于该数据集的早期版本训练。目前尚无后续发展事实。

    匹配字段摘要

星期一

星期日

  1. 事件1 条新闻 · 1 个事实

    NVIDIA AVO完成ARC-AGI-3公开集

    2026年8月21日,NVIDIA披露其AVO智能体系统搭配Claude Opus 5,在ARC-AGI-3公开集的25个环境中取得100.00 RHAE,并完成全部183个关卡。AVO共执行6,624次环境操作,较使用同一模型的VISTA少约12%,但相关结果并非受控对照。此前,AVO还曾连续运行七天优化注意力内核,性能最高超过cuDNN 3.5%、超过FlashAttention-4 10.5%。

    匹配字段标题

  2. 事件1 条新闻 · 1 个事实

    英伟达团队发布Physis-Lang

    2026年9月30日,NVIDIA、MIT与牛津大学研究团队发布自进化物理语言框架Physis-Lang。该方法把物理推理写入视频描述文本,同一套文本用于数据筛选、训练和推理;据代表来源报道,其用GPT-5.5生成描述、Gemini-3.1-Pro作物理评审并迭代指令,最终训练集含183K视频,仅检索环节就在3个基准上平均提升3.01分,微调仅用LoRA。在2026年9月29日的Physics-IQ Verified榜单快照中,Cosmos3-Super以48.2±1.4排名第一,Cosmos3-Nano以43.3±1.5排名第二。目前尚无后续发展事实。

    匹配字段摘要

  3. 事件1 条新闻 · 1 个事实

    OpenAI公布首款自研推理芯片Jalapeño基准

    2026年8月26日,OpenAI公布其首款自研推理芯片Jalapeño的基准测试结果。SemiAnalysis在OpenAI实验室用InferenceX实测,称该芯片在多个开源模型上的每兆瓦token吞吐超过NVIDIA Blackwell,在DeepSeek R1上并发1时达到每用户700 tokens/s以上,全程未使用投机解码。该芯片由OpenAI与Broadcom合作,2024年中启动设计,2025年11月完成CoWoS流片,采用HBM4、单封装15.4TB/s带宽,架构上不做prefill与decode分离。SemiAnalysis认为更公平的对手是同样使用HBM4的Rubin,两者每美元输出token数接近,但Jalapeño尚未启用投机解码,量产计划从2027年起逐步爬坡。后续IEEE Spectrum报道称,OpenAI于8月25日完整发布该芯片,提供最高13.4 petaflops的4-bit算力和232 GB内存,端到端延迟相比Nvidia GB300最多降低3.6倍。

    匹配字段摘要

  4. 事件1 条新闻 · 1 个事实

    Together AI发布并开源ThunderAgent

    2026年7月29日,Together AI发布并开源智能体推理调度系统ThunderAgent。该系统由Together AI联合佐治亚理工、UIUC和CMU提出,将每个智能体工作流抽象为可调度程序,以程序级调度缓解KV cache thrashing,在合成数据生成流水线中实现最高2.5倍单节点吞吐提升。据官方介绍,在单台8×H100节点、batch size 192下,SGLang吞吐降至390 token/s、平均延迟65s,ThunderAgent达到803 token/s、平均延迟10.6s;8节点集群上相对SGLang Gateway加速2.39倍,从16到64 GPU吞吐近线性扩展。该工作已被ICML 2026接收为Spotlight论文,代码开源,客户端只需增加一个program_id字段,并已被SkyRL和NVIDIA Dynamo采用。目前尚无后续发展事实。

    2026年7月29日,Together AI发布并开源智能体推理调度系统ThunderAgent。该系统由Together AI联合佐治亚理工、UIUC和CMU提出,将每个智能体工作流抽象为可调度程序,以程序级调度缓解KV cache thrashing,在合成数据生成流水线中实现最高2.5倍单节点吞吐提升。据官方介绍,在单台8×H100节点、batch size 192下,SGLang吞吐降至390 token/s、平均延迟65s,ThunderAgent达到803 token/s、平均延迟10.6s;8节点集群上相对SGLang Gateway加速2.39倍,从16到64 GPU吞吐近线性扩展。该工作已被ICML 2026接收为Spotlight论文,代码开源,客户端只需增加一个program id字段,并已被SkyRL和NVIDIA Dynamo采用。目前尚无后续发展事实。

    匹配字段摘要

星期五

星期五

  1. 事件1 条新闻 · 1 个事实

    Eclypsium演示受损硬件可在运行时篡改AI模型

    Eclypsium演示了受损计算基础设施如何在推理期间改变AI模型行为。该实验在NVIDIA支持下于NVIDIA Grace Hopper环境完成,攻击者利用受损的DPU和宽松的内存隔离,在推理过程中修改运行时模型权重,使模型回答改变,而磁盘上的模型文件和哈希校验仍显示正常。实验依赖IOMMU passthrough和宽松的PCIe隔离等条件,研究者明确指出这些并非Linux默认设置。报告将DPU、GPU、管理控制器及其固件纳入AI安全边界,并指出模型签名、安全启动、运行时隔离和持续监控各自回答不同问题。目前尚无后续进展。

    匹配字段摘要

星期二

  1. 事件1 条新闻 · 1 个事实

    DeepSeek开源推理框架DeepInfer

    2026年10月20日,DeepSeek宣布开源其内部生产级推理框架DeepInfer。据Latent Space报道,该框架支撑DeepSeek-V4.1-Flash,基于vLLM定制,支持分布式推理、投机解码、SWA Bounded Replay和结构化输出,目标平台为NVIDIA SM100与华为昇腾950;公布的单集群生产数据为每天处理155万亿token、96%输入缓存命中、首token延迟400ms、生成速度230 tokens/s。报道同时指出,KV cache管理和负载均衡等组件尚未完全开源。次日,DeepSeek在知乎发布DeepInfer技术报告,公开Prefill与Decode的硬件选型、KVCache目标等内部细节,并给出单一集群服务吞吐155万亿Tokens/天、按谷价每卡每小时38美金的数据。目前该框架已开源,但完整服务所需的KV缓存系统、Prefill/Decode解耦和负载均衡未完全包含在本次开源项目中。

    匹配字段摘要

星期三

星期三

  1. 量子位

    逐际动力更新FluxVLA Engine V2技术报告，补充在线强化学习与真机部署评测

    逐际动力更新开源具身工程底座FluxVLA Engine的第二版技术报告，相较9月首版新增在线强化学习后训练实验，并扩展仿真评测与真机部署覆盖范围。报告显示，SmolVLA经在线强化学习后，在LIBERO-10和RoboTwin Clean十项任务上的成功率分别提升10.0和15.4个百分点；8组模型与设备组合的推理频率提升至2.31–9.64倍。真机侧在ALOHA、双臂Franka、Rebot和自研人形机器人LimX Oli上验证了从模型checkpoint到闭环执行的部署链路。

    “卡顿”与“抽搐”，FluxVLA Engine放出了一套硬核的系统工程组合拳。 第一招：无损榨干算力，推理最高狂飙9.64倍 在不改动模型任何权重的前提下，FluxVLA Engine针对GR00T、π0.5等模型进行了深度的底层推理重构，把冗余计算和内核调度开销砍到了极致。 报告记录的8组模型与设备组合中，优化后的推理频率提升约2.31至9.64倍。 在NVIDIA A100上，π0.5的推理频率从2.20Hz提升至21.2Hz，足足快了9.64倍； 在算力受限的AGX Orin 64GB上，GR00T从3.20Hz提升至7.40Hz，π0.5则从1.40Hz提升至4.40Hz。 更绝的是这家伙快而不糙—— 针对GR00T动作头的数值对齐测试表明，加速后的动作输出与原版相比，余弦相似度超过0.99999，最大绝对误差仅约0.02。 好家伙，纯靠工程优化把算力潜能榨干！既不花一分钱买新显卡，也几乎不牺牲模型精度。 谁听了不说一句Perfect？ 第二招：给动作加上“减震器”，实现大脑与肢体的柔顺咬合 算力提升之外，动作稳定性同样关键。 FluxVLA Engine引入了实时动作分块协

    匹配字段正文

    #chinese#论文/研究#具身智能#开源生态

星期五

  1. 36氪 · AI

    谷歌 DeepMind 用四个 Gemini 4 Argon 智能体通关《我的世界》

    谷歌 DeepMind 发表论文《A team of Gemini 4 Argon agents beats Minecraft》，四个 Gemini 4 Argon 编程智能体在随机生成的《我的世界》生存世界中自主分工，累计死亡 605 次、编写 2783 段程序，用 27 小时 14 分钟击败末影龙。实验使用 Minecraft Java 版 1.20.4、Easy 难度、随机地图且不开作弊，智能体通过 Mineflayer 读取环境并编写 JavaScript 指挥角色，全程约 24000 次模型调用、13.5 亿输入 Token，其中 91% 来自上下文缓存。作者指出约 22% 的游戏程序出现错误、服务器重启 6 次，论文未通过多次随机地图重复测试证明稳定通关，按优惠 API 价格估算通关成本约 520 美元。

    rgon 实验并不是让人工智能学会玩游戏，而是在已经有了通用编程能力的基础上，通过编写程序来实现各种功能。 DeepMind 所报告的第一项成果就是在标准 Mineflayer 接口下，在没有任何预览地图的情况下，在没有任何专门为游戏设计的工具或者任务策略的情况下，由普通的智能体自己完成了从头到尾的游戏通关。 2026 年 6 月的时候，KRAFTON 和 NVIDIA 就推出了 PUBG Ally 的限时测试活动，在其中加入了人工智能作为队友来帮助玩家完成游戏任务。玩家可以使用语音命令让 AI 去搜寻武器、收集物资并参与战斗。 同样是利用了大模型的理解和规划能力，将游戏系统的实际操作接口连接起来。 从结果看，人工智能还不能算作是稳定的。大约有 22% 的游戏程序出现了错误，服务器也重启了 6 次。 它们最终成功了，但这也只是一场成功实验。论文没有通过足够多次的随机地图重复测试，证明它们可以稳定通关。 再加上 27 个小时内大约 24000 次模型调用，按照优惠后的 API 价格来计算的话还需要花费大约 520 美元的通关费用，如果要用它来进行代练的话，那么首先得算一下这笔账。 迫不及

    匹配字段正文

    #hot-signal#论文/研究#Agent#DeepMind
  2. Hugging Face

    微软用 ThinkingBox 把数据库评分变成 RL 奖励，微调 Qwen3.8-27B

    微软 Copilot Studio 团队与 Toloka 等合作，将 ThinkingBox-Bench 的数据库终态可执行检查直接作为强化学习奖励，对 Qwen3.8-27B 做全参数 RL 微调。在 507 个未参与训练的分布外任务上，该模型 20 次全部通过的任务数从 38 个（7.5%）升至 107 个（21.1%），pass@1 从 51.70% 升至 60.78%，单次成功成本从 0.177 美元降至 0.139 美元。训练池用离线策略相对难度筛选，最终保留 187 个任务，训练与评测代码已开源在 microsoft/thinkingbox-training。

    分； docs/reference-q38-run.md 用于经过验证的 24-H100 Qwen3.8 配置； docs/evaluation.md 用于合并检查点并运行 ThinkingBox-Bench 507 x 20。 开始之前 已在 Linux 和 WSL 上使用 Python 3.12 和 uv 测试。你需要具备兼容 CUDA/NCCL 栈的 NVIDIA GPU、本地 Qwen3.8-27B 检查点，以及用于模拟用户和评判器的 OpenAI 兼容端点。经过验证的参考配置使用 3 个节点 x 8 块 H100 GPU；更小的自定义配置取决于模型大小、上下文长度和 rollout 并发度。 公开示例任务列表用于演练接口。它不是所报告运行中使用的私有 187 任务训练池。请提供与公开基准保持不相交的授权训练源。 安装 将三个仓库并排放置： 创建经过验证的环境 发布的栈面向 Linux、Python 3.12、Verl 0.9.0 以及固定的包锁： 最后两条命令应报告已验证的已打补丁 Verl 检出，且没有损坏的依赖项。之后不要运行另一次自动包同步：它可能会用原版 Verl w

    匹配字段正文

    #lab#论文/研究#Agent#数据/训练