搜索“NVIDIA”

一天发布。 美国总统Donald Trump发帖称，他将“在所有相关文件中禁止使用‘AI/人工智能’一词”，这是朝超级智能迈进的又一举措。 AI-for-physics实验室Physical Superintelligence发布了五篇新论文，每篇都配有计算机校验的证明，声称在其内部AI的帮助下，在长期未解的量子物理问题上取得了进展。 Meta从其芯片供应商Nvidia（30亿美元）和AMD（10亿美元）处为其950亿美元的AI融资安排了40亿美元，两家公司同时也在扩大其在Meta数据中心运行的硬件。 Google签署协议，将从2027年起将其TPU芯片放入Oracle的云中，这是竞争对手云巨头首次向客户提供英伟达的自家替代品。 🎓 亮点：新闻、指南与活动 报名参加今天美东时间下午2点的研讨会：获得顾问级深度研究 The AI bubble meets Anthropic’s real numbers Zach Mink • 8分钟AI Google’s Gemini 4 Carbon tops the charts (for now) Zach Mink • 8分钟AI Kimi c

匹配字段正文

“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

在循环内进行规划、检查帧并重新规划。 未披露参数、分辨率、帧率或基准测试结果。 访问权限首先面向受信任测试者开放，随后开放给 AI Ultra 和 Gemini API 合作伙伴。 漂移和短时会话仍是主要的实际限制。 Michal Sutter+ 发布文章 简介 ⮌ Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可执行的洞察。 Michal SutterMirendil 发布 Fern 0.1，这是其首个模型，具备 1000 万 token 上下文 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Prime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播速度提升 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数

匹配字段正文

无损加速。Qwen3-8B 和 Qwen3-4B 的草稿器权重已在 Hugging Face 上发布，并提供 vLLM 和 SGLang 插件。 TL;DR 规模：0.5B 参数草稿器（Qwen3-8B 为 500M，Qwen3-4B 为 475M）；草拟 K = 16 个 token 的块。 运行于：与目标模型相同的 GPU。论文中的加速数据使用 1 块 NVIDIA H200 NVL，并发数为 1，bf16 精度。 性能：在 Qwen3-8B 上测试过的最快草稿器，平均比重新训练的 DFlash 高约 7%。 最佳：在 GSM8K 上、温度 0 时实现 6.14 倍加速（接受长度 7.69 个 token）。 最差：在 Alpaca 上、温度 1 时实现 2.28 倍加速。在 Qwen3-4B 上（温度 0），它在 9 项任务中的 4 项上落后于 DFlash。 什么是 FlashMap？ FlashMap 是一种投机解码草稿器，可在 1 步内将高斯噪声映射为 token 块。小型草稿器提出 K 个 token。随后目标模型在 1 次并行传播中检查全部 K 个 token，并保留最

匹配字段正文

Google 的 TPU 将首次在 Google 之外的超大规模云上运行，Oracle 将从 2027 日历年起部署容量，并在数年内逐步扩大。 Oracle 提供电力、冷却和数据中心网络，其 Acceleron 网络将 TPU 集群连接到 Oracle 数据库和存储，使企业无需跨云传输即可在自身数据旁微调和部署模型。 Google 声称其第八代 TPU 单芯片 FP4 算力最高可达 12.6 PFLOPS，在大规模训练中集群有效工作时间超过 97%，低延迟服务的每美元性能提升最高可达 80%。 Google 表示，其开源 TorchTPU 栈可让现有 PyTorch 代码以及 vLLM、SGLang 等工具无需改写模型即可在 TPU 上运行，从而降低将工作负载从 NVIDIA GPU 迁移过来的成本。 这笔交易将 Google 把 TPU 销售到自家云之外的努力——该努力始于今年早些时候向较小规模供应商的销售——推进到直接与超大规模云厂商竞争。

匹配字段正文

JEV-35B-A3B（90.1），并接近 Qwen3.5-397B-A17B（93.8）。 每分钟最多 128 页 🤯：借助 DSpark，MiniCPM-OCR 的运行速度是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。SDK 的并发优化进一步将吞吐量提升至每分钟多达 128 页。 在你工作的地方部署：Day-0 支持 Arm、后摩智能、Intel 和 NVIDIA，并通过 FlagOS 支持另外 10 家芯片厂商。 适配你的技术栈：vLLM、SGLang、llama.cpp 和 Ollama，并提供量化模型、微调支持和 Agent Skills。 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face： MiniCPM-OCR 1.0：https://t.co/i347di4Fju MiniCPM-OCR Jev：https://t.co/ayVzhCJenh 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2

匹配字段正文

支持 16 种语言，并以 LFM Open License v1.0 发布。基础模型和后训练模型均为开放权重，可在 Hugging Face、Liquid AI Playground 和 Liquid AI API 上获取。 Liquid AI 的发布文章列出了首日发布合作伙伴：Ambarella、AMD、Arm、通过 OpenVINO 支持的 Intel、NVIDIA、OpenRouter、通过 Qualcomm AI Hub 和 GenieX 支持的 Qualcomm，以及 Vercel，并表示 Mercedes-Benz 和 Shopify 参与了发布前的测试与评估。 Tri-Hybrid 架构与训练 LFM3-1.7B-Base 有 24 层：13 层门控短卷积、5 层窗口为 256 token 的滑动窗口注意力层，以及 6 层全局注意力层。卷积的核大小为 7，高于 LFM2 中的 3。还有三项进一步的变化定义了该骨干：逐头门控注意力，其中 sigmoid 门控缩放每个注意力头的输出，可抑制损害量化的激活离群值；部分 RoPE，其中全局注意力层仅对每个头的最高频一半进行旋转，而

匹配字段正文

结果，尚未在患者中测试安全性和有效性，下一步将进行小鼠模型测试并制定实体瘤靶点策略。 Divergence Labs 是一家成立于 2025 年的生物技术公司，正在设计一种食物过敏药物，采用双臂抗体设计，旨在既中和游离的 IgE，又剥离已与免疫细胞结合的 IgE。Anthropic 报告称，Claude 在 22 段自主工作时段中共计约 2,750 小时的 Nvidia H100 GPU 计算时间内，生成了约 35,000 个抗体设计。Divergence 报告称两个臂均取得早期命中：在 91 个测试的 disruptor 设计中有 20 个可测量地剥离了已结合的 IgE，其中三个在患者可实际接受的浓度下似乎优于已获批药物 Xolair；在 57 个测试的 anchor 设计中有三个与 IgE 结合。据报告，从构思到获得实验室结果，disruptor 臂耗时约三周，anchor 臂耗时约四周半，而此前同类工作最长需要九个月。Divergence 团队也指出了局限，发现 Claude 在决定是进一步研究某个结果还是继续推进方面，不如人类操作者务实，并表示这些结果距离成为一种新药还很遥远。

匹配字段正文

Cloud上为大规模部署该Google TPU提供电力、冷却、数据中心内网络等。 Oracle Cloud上的Google TPU预计于2027年开始提供。 Oracle Cloud引入Google TPU的原因 甲骨文在云市场上正拼命追赶领先的AWS、Microsoft Azure、Google Cloud。 在当前快速增长的AI市场中，这三家公司不仅使用NVIDIA的GPU，还各自推出自研AI处理器以构建独特价值，在此背景下，甲骨文与Google联手，使Oracle Cloud也能为客户提供NVIDIA以外的AI处理器选项，对于旨在提供擅长AI处理的云基础设施的甲骨文而言，可以说是合理的战略。 另一方面，Google Cloud正致力于强化Google TPU，以打破NVIDIA在AI处理器市场的堡垒。 因此，不仅能在自家的Google Cloud上，还能在Oracle Cloud上部署Google TPU，对于扩大Google TPU的使用而言无疑是理想的。 Google Cloud上周以开源方式发布了“TorchTPU”，使机器学习和AI处理中具有代表性的库PyTorch原生支

匹配字段正文

并附在电子邮件中发送给该潜在客户。第四个智能体被设置为在潜在客户回复后作出回应，为他们预约通话，并将通话添加到日历中。” 在我们的社区工作流中心查看该工作流 → 🛠️ 热门 AI 工具 ⚙️ QVAC SDK - 可免费且私密地运行任何开源模型（聊天、图像、语音生成等）。在 GitHub 上试用并加星 💬 Nemotron 3.5 Transcribe - Nvidia 的可转录 40 种语言的 AI 🔴 ChatGPT Dot - OpenAI 的常驻智能体，现可通过短信使用 ⚙️ GitHub Copilot Fusion - 可为每项任务自动挑选 AI 模型的 Copilot 模式 赞助列表 📰 今日 AI 其他动态 OpenAI 正将数百名员工调入一个“作战室”，为下周的美国中期选举做准备，在本月标记出其模型上的俄罗斯和伊朗影响力行动后，搜寻 ChatGPT 的滥用情况。 Artificial Analysis 发布了其“智能指数”AI 排行榜的 v5 版本，如今更多依赖私有测试，中国开源模型在排名中进一步落后，而 OpenAI 的新 Terra 模型尽管处于中端水平，表现却更

匹配字段正文

灵活性、选择权和控制力。像Mistral Large 4这样的创新代表着AI变革网络防御潜力的有前景的进步。我们将持续的AI创新视为加强网络安全、帮助组织应对不断演变的威胁格局的重要机遇。 John Whittle，Fortinet首席运营官 开放模型让安全研究人员和开发者能够检查、调整并基于AI进行构建。Mistral正在拓展生态系统所能构建的范围，我们在NVIDIA加速基础设施上的合作帮助开发者将这些模型投入实际使用。 Kari Briski，NVIDIA开放模型与软件副总裁 随着威胁变得愈发快速、工业化并如今实现自动化，防御必须以不同的规模运作。数量、速度、信任：这是AI时代网络安全面临的三大挑战。与Mistral AI携手，我们正在打造欧洲网络AI，由我们的专家训练并在其控制下运行。通过结合AI的力量、我们团队的专业知识以及我们的网络威胁情报，我们正在加速响应，从而能够更广泛、更快速地提供保护，并采用可信的欧洲技术。 Hugues Foulon，Orange Cyberdefense首席执行官 Rubrik支持Mistral以及推动“主权AI”的努力，为欧洲各国政府和受监管行业

匹配字段正文

上涨。 微软本季度新增了24个数据中心，但它也依赖较小的云运营商。据《金融时报》报道，自2023年以来，它已与CoreWeave、Nebius和Nscale签署了超过800亿美元的合同。 一些项目正陷入困境。微软最近因电力限制放弃了一项Nscale容量协议，而Nebius在新泽西州的一处设施进展慢于预期。 这类问题并非微软独有。亚马逊正在囤积价值数十亿美元的Nvidia机架，因为一些设施缺乏运行它们所需的电力。其今年约2200亿美元的资本支出预算，比微软修订后的预期高出500亿美元。 与此同时，Alphabet维持其1950亿至2050亿美元的年度预算。它在9月季度支出了514亿美元，同样低于预期，并预计明年支出将大幅增加。其季度自由现金流为负91亿美元，延续了谷歌7月报告首个季度自由现金流为负以来的趋势。 Azure为微软的巨额账单提供了一些理由。收入增长48%至332亿美元，而公司的自由现金流仍为正，达186亿美元。 在加大支出之际，微软继续削减员工成本，包括向多达6万名员工提供买断方案。 与此同时，Alphabet维持其1950亿至2050亿美元的年度预算。它在9月季度支出了51

匹配字段正文

场安装到 MiniMax Code 或 Claude Code。 尚无已发布评测，因此应将其视为操作手册，而非证明。 Michal Sutter+ 文章简介 ⮌ Michal Sutter 是一位数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可付诸行动的洞见。 Michal SutterMirendil 发布其首个模型 Fern 0.1，具备 1000 万 token 上下文 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Baseten 发布 joey-1，一个每 100 万 token 收费 0.01 美元的 2B 决策模型 Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播速度提升 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个面向 40 种语言转录的开放 30B MoE 模型，约 4B 活跃参数

匹配字段正文

美元。 Asif Razzaq网站 | + 文章简介 ⮌ Asif RazzaqBaseten 发布 joey-1，一个 2B 决策模型，价格为每 100 万 token 0.01 美元 Asif RazzaqPrime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播速度提升 3.11 倍 Asif RazzaqNVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Baseten 发布 joey-1，一个 2B 决策模型，价格为每 100 万 token 0.01 美元 Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播速度提升 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 4

匹配字段正文

得流式延迟 159 毫秒，朗读准确率 81.5%。 发布时缺失：SSML、语速控制、发音词典和情感标签。 Michal Sutter+ 发布 简介 ⮌ Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可执行的洞察。 Michal SutterMirendil 发布其首个模型 Fern 0.1，支持 1000 万 token 上下文 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页计分在 GitHub 上加星→赞助 相关文章更多来自作者 Baseten 发布 joey-1，一个 20 亿参数的决策模型，每 100 万 token 收费 0.01 美元 Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播快 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 300 亿参数 MoE 模型，支持 40 种语言转录，约 40 亿活跃参数

匹配字段正文

适配器可部署到 Codex、Claude Code 和 Pi，或导出为插件。 结果均为自报，大多为单次运行，使用 GLM 5.3 Flash。 Asif Razzaq网站 | + 文章简介 ⮌ Asif RazzaqPrime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 Asif RazzaqNVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 30B MoE 模型，支持 40 种语言转录，约 4B 活跃参数 Asif RazzaqPolymathic AI 与普林斯顿大学研究人员发布 FlashMap，一种用于 LLM 解码提速 6.14 倍的流映射起草器 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页评分在 GitHub 上加星→赞助 相关文章更多来自作者 Prime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：一个开

匹配字段正文

中，Qwen3 MoE 模型的完整训练步骤运行速度最高提升 34%。与 TorchTitan 相比，提升达到 55%。对于训练混合专家（MoE）模型的团队来说，这直接减少了 GPU 小时数。 TL;DR 规模：一个 GPU 内核，而非模型。在 Qwen3-30B-A3B 和 Qwen3-235B-A22B（128 个专家，top-8 路由）上测试。 运行于：NVIDIA Hopper（blockwise FP8）和 Blackwell（MXFP8）GPU，两者均支持 BF16。公布的数值使用 8×H200 节点，32 至 128 块 GPU。 性能：完整训练步骤比 prime-rl 基线快 32% 至 34%。比 TorchTitan 快 48% 至 55%。 最佳：在 Qwen3-30B-A3B MoE 层上前向传播快 3.11 倍（12.0 ms 降至 3.9 ms）。 最差：在 Qwen3-235B-A22B MoE 层上反向传播快 1.24 倍（30.5 ms 降至 24.6 ms）。 什么是 Prime Mega MoE？ Prime Mega MoE 是 Prime Int

匹配字段正文

ion Index 0.4 公开集上得分 63.30：4B 以下最强模型。 比 elephant-1 低 8.94 分；最适合作为一线路由器。 MIT 权重已发布于 Hugging Face；可在 1 张 CUDA GPU 上自托管。 Asif Razzaq网站 | + 文章作者简介 ⮌ Asif RazzaqPrime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 Asif RazzaqNVIDIA 发布 Nemotron 3.5 Transcribe：面向 40 种语言转录的开放 30B MoE 模型，约 4B 激活参数 $uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页计分在 GitHub 上加星→赞助 相关文章更多来自作者 Prime Intellect 发布 Prime Mega MoE：可训练融合 MoE 内核，前向传播快 3.11 倍 NVIDIA 发布 Nemotron 3.5 Transcribe：面向 40 种语言转录的开放 30B MoE 模型，约 4B 激活参数

匹配字段正文

反复重启 在 Slurm 上，导出器会报告被标记为 DOWN 或 DRAIN 的节点。 在主机上, 我们监控 InfiniBand 通道状态和链路抖动，并将其归因于拥有这些通道的 VM。我们还监控主机可达性，因此死掉的主机会在您的节点上显示为问题，而不是一片沉默。 每个告警都附带稳定的摘要、通俗语言的描述和机器可读的证据载荷。对于 Xid，就是每个代码及其 NVIDIA 助记符。对于热降频，就是峰值温度和降频次数。控制平面原样传递这些字符串，因此控制台、API（作为 linked alerts）和您的通知始终表达相同的内容。 我们将观测与可操作区分开来。每个与修复相关的告警都会被记录，并将您的节点标记为 Degraded. 只有具有操作映射的信号才会创建修复。例如，磁盘压力会显示出来，但不会触发重启，因为重启无法解决它。没有映射的告警会被计数并记录，绝不会被静默丢弃，并会转交我们的支持团队进行调查。 2. 策略：我们决定做什么，您决定是否以及何时做 做什么 由平台负责。每个信号都映射到能修复它的最轻量操作，因此您无需知道哪个 Xid 意味着什么： 是否 由您决定。在“修复”选项卡中，

匹配字段正文

年仅50%-60%既定产能可如期投运；Urban Institute称313项暂停令已覆盖44州200多个辖区，审批不确定性正被计入资产定价，抬升数据中心REITs与基础设施基金的资本成本及政治风险溢价。 国内进展： 十一、通用大模型加速向机器人动作控制延伸 1.中信证券2026年10月26日研报称，通用大模型正从机器人高层任务规划向动作生成与执行控制延伸，NVIDIA、斯坦福等机构已探索将GPT-6 Astra接入机器人控制回路，以借助其视觉理解、空间推理与任务规划能力减少对专用策略训练的依赖；研报判断，展望2027年通用模型进入具身任务领域将成AI行业下一个投入方向，短期与VLA、WAM等专用模型形成分工协同而非相互替代。 2.能力与瓶颈并存：斯坦福等机构的HomeBody系统让搭载Astra的宇树G1在新环境零训练完成厨房任务，Astra在RoboCurve机械臂抓取放置任务成功率95%（远超Claude Fable 5.1的40%、Fable 5的5%），单次任务成本约0.94美元；但真车测试单次134.7米耗约660万token（约7.74美元）、平均车速仅0.42米/秒，毫

匹配字段正文