跳到主要内容
检索

NVIDIA

121 篇关联报道

订阅更新
  1. NVIDIA Blog

    Lambda用共封装光交换机连接上万块GPU:机架级网络时延降约4%,光引擎中位温度36°C

    Lambda 在 AI 工厂中部署 NVIDIA Photonics 共封装光学(CPO)交换机,把光引擎与交换芯片封装在同一基板上,用于连接 NVIDIA GB300 NVL72 机架、涉及超过 1 万块 GPU。公司测试显示,机架规模网络时延下降约 4%,pod 规模最多下降约 10%,吞吐与常规可插拔光模块持平。相比可插拔方案,该交换机宣称最高 5 倍能效和 15 倍可靠性,激光器用量减少 4 倍,光引擎中位温度 36°C 对 51°C。

  2. NVIDIA Technical Blog

    英伟达发布 Nemotron for Science 后训练配方:药物代谢预测上,SFT 提 12%,强化学习再提 17%

    英伟达发布 Nemotron for Science,一套包含模型、数据集、工具与配方的集合,让研究团队把实验记录搭成可验证奖励环境,把通用多模态模型改造成领域专用科学智能体。以药物代谢预测为例,模型输入母体分子与代谢酶、输出代谢产物 SMILES,在 16,384 token 输出预算下,监督微调把 Nemotron for Science 的准确率提高 12%,强化学习后训练再提高 17%。配方还给出可选的教师模型蒸馏预热步骤,用于强化学习收敛偏慢的情形。

  3. NVIDIA Blog

    英伟达发布Rubin HPC GPU:单卡逾5万CUDA核心,为智能体加速科学仿真

    英伟达在SC26上发布Vera Rubin平台中的新GPU Rubin HPC,面向科学、工程与分析工作负载的仿真与数据处理。该卡单卡CUDA核心数超过5万,并加入稀疏数据加速能力,让这些核心持续获得数据;英伟达称其设计同时扩展数据搬运与计算,而非只增加算力。产品预计2028年可用。

  4. NVIDIA Blog

    英伟达扩展 CUDA-X 库并交给 AI 智能体调用:事件视界望远镜相关分析从超过一个月缩到八分钟

    英伟达扩展 CUDA-X 库,新增 cuPhoton、cuPotential 和 cuSpa,并让 AI 智能体能够调用这些库来加速科学计算。cuPhoton.xBeam 把事件视界望远镜的观测相关分析从超过一个月缩短到八分钟;cuPotential 把现有分子模拟软件加速至多 3 倍;开源的 cuSpa 在 Memorial Sloan Kettering 癌症中心的细胞多边形计算上相对 CPU 达到 900 倍加速。这些数字分别属于不同的库和不同的使用场景。

  5. NVIDIA Blog

    英伟达Vera Rubin首登MLPerf:训练每GPU性能最高翻倍,智能体推理每瓦吞吐超上代10倍

    英伟达Vera Rubin平台首次参加MLPerf基准测试,在训练、后训练与智能体推理三类负载上提交结果。训练侧,Vera Rubin NVL72在首秀中每GPU性能最高达到经过高度优化的GB300 NVL72的两倍;在DeepSeek-V3基准上,它从256块GPU扩展到1024块GPU时保持约97%的扩展效率,训练时间由16分钟缩短到约4分钟。首次提交的MLPerf Endpoints中,Vera Rubin NVL72在Kimi K3的暂定结果上,于相同响应速度下每瓦吞吐超过GB300 NVL72的10倍。

  6. NVIDIA Technical Blog

    英伟达Vera Rubin首次亮相MLPerf训练榜:七项基准中六项训练时间最短,DeepSeek-V3上每GPU约快2倍

    英伟达Vera Rubin架构在MLPerf Training v6.1首次提交成绩,其NVL72平台在七项基准中的六项取得最短训练时间,相对高度优化的GB300 NVL72基线最高提升2倍。在6710亿参数的DeepSeek-V3上,Vera Rubin NVL72用1024块GPU把训练时间从8.03分钟压到4.14分钟;第七项基准的最快绝对成绩则由10240块GPU的GB300 NVL72以1.38分钟取得。英伟达称Vera Rubin从256块扩展到1024块GPU时保持97%以上的整体扩展效率。

  7. Hugging Face - Blog

    AI2发布XYBench:8千余道真实问题考AI能否识破用户的错误前提

    AI2联合卡内基梅隆、英伟达与约翰斯·霍普金斯大学发布XYBench,用8,115道来自Stack Overflow、Stack Exchange、人工整理与WikiHow的真实问题,检验AI助手能否识别用户提问背后的错误前提。在Stack Overflow问题上,五个被测模型给出表层请求解决方案的比例为75–86%,而给出真实目标解决方案的比例只有59–71%;即便把用户真实意图直接告诉模型,识别错误前提的比例也未必上升。

  8. NVIDIA/SkillEvaluator

    英伟达放出 SkillEvaluator:先给智能体技能做静态质检,再用有无技能的对照跑分

    英伟达发布 SkillEvaluator,用来检查 AI 智能体技能的质量,并测量技能对任务结果的影响。它先做质量检查,再对比启用与不启用该技能的运行结果;技能是按 Agent Skills 规范定义的指令与配套文件目录。随附的 text-analyzer 示例在静态质量检查中得 88.8/100(B),默认通过阈值为 70,但发布证据仍标记为不完整。

  9. NVIDIA/SkillEvaluator

    英伟达开源SkillEvaluator:智能体技能先过静态质量关,再比有无技能的任务差异

    英伟达发布开源命令行工具SkillEvaluator,用于检查AI智能体技能并衡量技能对任务结果的影响。技能是按Agent Skills规范组织的指令与配套文件文件夹。工具先做静态质量检查,再对比启用与不启用技能的运行结果;示例技能text-analyzer在质量检查中得86.2/100(B),退出码为0,通过阈值默认为70。该分数只反映静态质量,发布证据仍标记为不完整。

  10. NVIDIA Technical Blog

    Jetson上的DLA推理改由Python直接调度:cuda-bindings 13.3.0开放cuDLA接口,GPU与DLA可同流排队

    NVIDIA在cuda-bindings 13.3.0中发布cuda.bindings.cudla模块,把cuDLA的C++运行时接口以Cython生成的薄层暴露给Python,使Jetson AGX Orin上的DLA推理无需编写C++即可完成设备创建、网络加载、缓冲区注册与任务提交。该模块面向混合模式,DLA任务通过CUDA流与GPU前后处理按序执行;同一套API在RTX Spark上保持一致。发布说明同时指出,当前版本不支持需要NvSci缓冲区与同步原语的独立模式。