跳到正文

#行业动态

今日 65 条
9月24日周四
9月23日周三
  1. NVIDIA Blog18

    NVIDIA 验证工程师 Sakeena Fiza 如何让硬件大规模成功

    NVIDIA 验证工程师 Sakeena Fiza 的工作是在产品量产前充当"第一个客户"，把硬件逼到极限以提前发现问题。她最难忘的时刻之一是 NVIDIA Rubin GPU 首次在系统层面被识别，屏幕上只显示"NVIDIA Corporation Device"，全场欢呼。她所在的机架可能包含近 50 万个组件，验证需覆盖固件、硬件、软件、散热与制造等环节。

  7. elsewhere articles33

    弋途科技完成近亿元 Pre-B 轮融资，AICAR 正式上线

    弋途科技（EXTURING）近日完成近亿元 Pre-B 轮融资，由上海半导体装备材料产业投资基金与 Sands Talk Capital 联合领投，资金将用于加速 AICAR 规模化推广及自研端侧模型落地。公司已服务超 70% 国内头部车企及主流合资品牌，数十款车型量产上车，累计交付达百万级，AICAR 近期正式上线。

  9. Josh Woodward42

    重大里程碑！ @FlowbyGoogle：每月有超过 2500 万人使用 Google Flow 来构思新点子、创作故事、打造酷炫作品。 谢谢大家。 我们将继续为所有用户提供每天额外 50 个积分。快来继续创作吧。

    引用Google Flow@FlowbyGoogle

    More than 25 million people are using Google Flow every month to dream up new ideas, create stories, and build cool things. Thank you. We’re continuing the 50 additional daily credits for all users. Dive in and keep creating.

9月22日周二
  6. elsewhere articles35

    华超神控完成2亿元Pre-A轮融资，云启与红杉中国联合领投

    非侵入AI脑机接口公司华超神控（BCI-Sonics）完成2亿元人民币Pre-A轮融资，由云启资本与红杉中国联合领投，比邻星投资、元禾控股、徐汇科创投、德石投资跟投，老股东经纬创投、德联资本持续加注。公司以低强度经颅聚焦超声写脑、fUS/EEG/fMRI/PET多模态读脑与AI神经解码构建闭环系统，闭环超声脑机系统计划2027年Q1进入临床，成立至今累计融资近3亿元。

  7. Hugging Face Blog48

    oMLX 创作者 Jun Kim 加入 Hugging Face，支持 MLX 社区

    oMLX 创作者兼维护者 Jun Kim 加入 Hugging Face，全职投入 MLX 社区建设。oMLX 将从副业转为有资金支持的正式项目，继续以 Apache 2.0 开源并由 Jun 领导，目标是加快开发并更好引导贡献者。Hugging Face 计划让 oMLX 成为新想法的试验场，并推动 transformers 模型定义快速转为可被不同引擎使用的 MLX 参考实现。

9月21日周一
  3. elsewhere articles26

    百曜科技联合《麻省理工科技评论》发布 AIVC 深度研究报告

    百曜科技联合《麻省理工科技评论》中国团队发布《AI 虚拟细胞（AIVC）技术趋势、产业生态与应用前景研究报告》，将 AIVC 定义为 AI 时代生命科学的新型基础设施。报告指出产业竞争正从模型规模转向"数据—模型—实验"干湿闭环，并梳理了泛化能力、私有数据与干湿闭环三大趋势。百曜科技今年 6 月已发布基于 LLM-JEPA 架构的 AI 虚拟细胞世界模型 AURA CellOS。

9月19日周六
9月18日周五
  7. Anthropic Newsroom61

    Anthropic 与 Accenture 合作开展嵌入式评估，双方各投入至少 10 亿美元

    Anthropic 宣布与 Accenture 合作，由其旗下 AI 业务 Faculty 在公司内部开展前沿 AI 的独立评估，包括模型评估与红队测试、对齐评估和安全防护测试，双方各自计划在未来五年至少投入 10 亿美元。

    推荐理由：原文来自当事方，说明了嵌入式评估的运作方式、资金安排与局限，读者可据此理解这一安全机制的边界。

9月17日周四
  5. Greg Brockman64

    Databricks 将 Astra 推广到全部约 3500 名工程师。其内部试点约 200 人的数据显示，Astra 在复杂任务上明显优于此前最强的 Opus 5 和 Sol 5.6，使用 Astra 的工程师整体编码支出增加约 60%，但在中低复杂度任务上相比既有模型提升不明显。团队通过 Unity Gateway 做分群实验，并为 Astra 单独设预算，鼓励工程师在复杂任务上选用 Astra、日常任务用更低成本模型；因数据保留政策尚未广泛部署 Fable，暂无 Astra 与 Fable 的可靠对比。

    引用Patrick Wendell@pwendell

    Today we rolled out Astra to every engineer at Databricks (N=~3500). Some notes that may be helpful to others: 1. Astra unambiguously out performs our previous highest-end models (Opus 5, Sol 5.6) on highly complex tasks, especially those related to high level system design or long range horizontal tasks. 2. Engineers given Astra increased overall coding spend by around 60% compared to baseline. 3. It is not clear Astra meaningfully improves on medium/low complexity coding tasks compared to earlier models. We suspect those tasks are mostly saturated (i.e. perfectly executed) by existing models. 4. We learned above by piloting Astra with around 200 users to gain signal on both quality and cost. We use Unity Gateway to do cohort-based experiments for all new models. 5. We give engineers a sub-budget specific to Astra to encourage them to use Astra selectively on complex tasks while preferring lower cost models for everyday tasks. Our engineers are able to mix-and-match tools and models within their overall budget envelope (we also allow for increased budgets through various mechanisms). These budgets are defined in Unity Gateway and regularly revisited. Note: We do not have robust comparisons of Astra-vs-Fable because we have net yet rolled out Fable widely due to data retention policies.