Blas
PulseAugur coverage of Blas — every cluster mentioning Blas across labs, papers, and developer communities, ranked by signal.
-
AI 助力开发 LAPACK 的 Pascal 版本，目标是实现 GPU 加速
一位 Mastodon 用户正在与 GitHub Copilot 合作开发 LAPACK 数值库的 Pascal 版本，目前已完成约 30%。他们预计两天内可完成 80%，并计划集成 GPU 加速以匹配 NumPy 等 Python 库的性能。该用户还强调了在与 AI 协作时保持纪律和严谨工作流程的重要性，以防止 AI 变得草率或失去焦点。
-
AI 协助程序员创建 Pascal 数值库，可与 NumPy 媲美
一位程序员在 GitHub Copilot 的协助下，用 Pascal 实现了 BLAS 1-3 级功能。该项目旨在创建一个 Pascal 数值库 (PNL)，其功能可与 NumPy 和 PyTorch 等 Python 库相媲美，但侧重于静态数组和确定性数据结构。开发者强调了使用 Copilot 等 AI 工具完成此类任务的效率，尽管遇到了一些挑战，但在不到一天的时间内完成了核心实现。
-
Free Pascal 和 BLAS 为 SLM 项目提供确定性的 HPC
一位 Mastodon 用户正在探索使用 BLAS（一组基于 Fortran 的矩阵例程）来支持他们的中小语言模型 (SLM) 项目。他们更倾向于使用 Free Pascal 而非 C、Python、Rust 和 C# 等语言，因为 Free Pascal 具有确定性且缺乏现代编程抽象。该用户计划与 GitHub Copilot 合作开展此项目，旨在获得更传统的opy 编程体验。
-
Free Pascal 和 BLAS 为 AI 开发提供更快的矩阵乘法
一位用户探讨了 Python 在 AI 任务中的性能，注意到其缓慢但承认广泛的 AI 生态系统是其主要优势。他们进行了一项测试，比较了 Free Pascal 和 BLAS 的矩阵乘法性能，发现其比 NumPy 和 PyTorch 等 Python 库快得多。这种性能激发了他们使用 Free Pascal、BLAS 和 NNUE 开发小型语言模型的想法。
-
新研究解决大语言模型的事实准确性、架构推断和专业化评估问题
研究人员正在开发新方法来提高大语言模型（LLM）的准确性和可靠性。Google Research 推出了 SLED（Self Logits Evolution Decoding）技术，该技术利用 LLM 的所有层来增强事实准确性，而无需额外的微调或外部数据。同时，研究也在探索如何通过限制性 API 访问来推断 LLM 的架构属性，并创建新的基准来评估 LLM 在金融服务和编译器问题解决等专业领域的表现。此外，研究还在调查 LLM 集成…