跳到正文

全部动态

今日 0 条
9月25日周五
  1. Google DeepMind73

    Google DeepMind 发布 Gemini 3.8 Live with Live Avatar

    Google DeepMind 推出 Gemini 3.8 Live with Live Avatar,将低延迟流式视频与实时对话能力结合,为 Gemini Enterprise 提供具备动态视觉化身的交互体验。

    推荐理由:原文详细说明了实时视觉化身在异步工具调用和多语言同步上的技术实现,为企业构建具备连续在场感的智能体提供了具体参考。

9月24日周四
  1. PyTorch12

    PyTorch 基金会征集学术项目参与 PyTorchCon NA 2026 研讨会

    PyTorch 基金会 OSPO 与学术外联工作组启动“从学术界到采用”项目征集,旨在帮助基于 PyTorch、DeepSpeed 等技术的学术开源项目实现可持续化。入选的 8 个项目将在 PyTorch Conference North America 2026 的 Day 0 活动中进行闪电演讲,并参与由维护者指导的实操工作坊,以解决文档、治理及社区建设等转型难题。

  2. GitHub Blog48

    GitHub Copilot 应用如何渲染包含 2,200 个文件的巨型 Pull Request

    GitHub Copilot 应用重构了 Pull Request 视图,以支持包含 2,200 个文件、超百万行变更及 400+ 评论的巨型 PR。该方案将文档高度拆分为确定性代码几何与动态块几何两个独立域,解决了因 Markdown 和异步资源导致的评论高度不可预测问题。通过延迟测量并锚定修正,确保了在极端负载下的滚动流畅性与性能。

  3. Google DeepMind78

    Google DeepMind 发布 Private AI Compute 安全服务器端内存更新

    Google DeepMind 为其 Private AI Compute 平台引入安全服务器端内存功能,实现跨设备的持久化 AI 记忆并保持设备级隐私标准。该架构通过硬件隔离的安全飞地、端到端加密通道及仅存于用户设备的加密密钥,确保云端数据即使 Google 也无法访问。官方同步发布了更新的技术白皮书、防篡改软件记录及独立审计报告以增强透明度。

    推荐理由:原文详述了云端持久记忆与设备端密钥分离的架构,为理解隐私保护下的跨设备 AI 连续性提供了技术依据。

9月23日周三
  1. Google DeepMind78

    Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS

    Google DeepMind 推出 Gemini 3.8 Flash TTS 和 Gemini 3.8 Flash-Lite TTS 两款文本转语音模型,支持从自然语言提示生成自定义角色声音并逐行指导场景对话。

    推荐理由:原文给出了两款新 TTS 模型的详细能力边界、基准排名及开放入口,读者可据此评估其在创意配音与规模化部署中的实际可用性。

  2. GitHub Blog40

    GitHub 调研:超千名开发者关注软件能效与环保工具

    GitHub 联合耶鲁大学对 1,039 名用户开展调研,发现 80% 的开发者希望获得编写节能代码的工具,74% 期望能测量软件的环境影响。尽管多数受访者担忧 AI 及全球变暖带来的环境压力,但仅 10% 认为日常开发对减少个人碳足迹有显著作用。GitHub 建议从识别计算浪费入手,并推出开源 Daily Efficiency Improver 工作流辅助定位优化机会。

9月22日周二
  1. PyTorch68

    vLLM 推出硬件无关模型层以兼顾前沿性能与多硬件兼容

    vLLM 引入新的“硬件无关”(HW agnostic)模型层,旨在解决内部实现变更导致与 fullgraph torch.compile 不兼容的问题,从而支持非 NVIDIA 加速器、旧款 GPU 及多样化模型。

    推荐理由:vLLM 引入硬件无关层以平衡前沿性能优化与多硬件兼容性,在 H100 上实现接近原生实现的吞吐量。

  2. PyTorch78

    Shopify 如何利用 PyTorch 和 vLLM 构建持续学习循环

    Shopify 通过 PyTorch 和 vLLM 建立持续学习循环,将生产失败数据转化为模型权重更新,使 GraphQL Agent 在超越前沿模型质量的同时降低 96% 的服务成本。该流程包括定义质量评估标准、校准 LLM 裁判、利用自动研究优化基线、通过监督微调和 GRPO 强化学习更新参数,以及使用 Gist 压缩技术减少提示词长度以提升推理速度。

    推荐理由:原文详细拆解了从定义质量到模型微调及提示词压缩的完整闭环,为构建自进化AI系统提供了可复用的工程路径。

  3. NVIDIA38

    NVIDIA 推出 DSX Ready 计划以认证 AI 工厂电源与冷却产品

    NVIDIA 发布 DSX Ready 认证计划,旨在验证符合其 AI 工厂参考设计要求的合作伙伴产品。该计划首批涵盖电池储能系统(BESS)和冷却分配单元(CDU),已纳入 Hitachi Energy、Tesla、LG Electronics 等厂商方案。此举帮助构建者降低集成风险,确保电源与冷却设施适配整体架构以优化 AI 产出。

  4. NVIDIA40

    NVIDIA 解析物理 AI 规模化部署为何需全层级安全

    NVIDIA Halos 作为首个全栈物理 AI 安全系统,覆盖自动驾驶与机器人从硬件到验证的全生命周期。该方案整合 DRIVE AGX Thor、IGX Thor 及 Alpamayo 模型,通过仿真与合成数据应对动态环境风险。随着 2035 年预计部署 4900 万辆 L3-5 级 AV 和 6000 万台工业机器人,这种持续的安全保障成为规模化落地的关键。

9月21日周一