central processing unit
PulseAugur coverage of central processing unit — every cluster mentioning central processing unit across labs, papers, and developer communities, ranked by signal.
- used by Agentic Ai 90%
- instance of alphaXiv 70%
- developed Arm Holdings 70%
- used by ScienceCast 70%
- uses Arm Holdings 70%
- instance of application-specific integrated circuit 70%
- used by PCI Express 70%
- instance of high-performance computing 70%
- used by BITNET 70%
- instance of BITNET 70%
- used by SIMD 70%
- used by Linux 70%
13 天有情绪数据
-
到2030年数据中心电力需求将激增24%：麦肯锡
麦肯锡的一份报告显示，到2030年，数据中心的电力需求预计将每年增长24%。这种由人工智能和计算需求驱动的显著增长带来了挑战，因为电力供应预计将滞后于需求。运营商越来越多地转向现场发电解决方案，如燃气发动机和电池存储，以加速电力供应，尽管这些也带来了新的基础设施瓶颈。
-
用户寻求4000美元AI硬件配置以获得本地LLM性能
一位Reddit用户正在寻求建议，希望用大约4000美元的预算构建一个本地AI设置。他们正在寻找硬件组件的推荐，包括GPU、CPU和主板，以获得运行Qwen 3.8-Flash-Next等模型的良好性能。该用户拥有NVMe驱动器和RAM，并正在考虑各种选项，例如多块AMD R9700s、Intel Arc B60s，甚至Mac替代品，同时还在评估现有的CPU，如Intel 14700K或Ryzen 9700x。
-
Corsair Xeneon Edge 触摸屏显示器降价 50 美元
Corsair 正在为其 Xeneon Edge 14.5 英寸触摸屏显示器提供 50 美元的折扣，价格降至 199.99 美元。这款多功能外设可以作为独立的控制面板使用，类似于平板电脑或 Elgato Stream Deck，或者通过磁性吸附到 PC 机箱或其他金属表面。它通过 HDMI 或 USB-C 连接，并通过 Corsair iCUE 集成显示系统监控数据，使其可用于媒体控制、聊天显示或作为主播的虚拟 Stream Deck。
-
进化的循环神经网络在股票预测中优于Transformer
研究人员开发了进化的循环神经网络，其在股票回报预测和交易策略盈利能力方面优于Transformer架构。这些进化的网络不仅更准确，而且计算效率也更高，仅需CPU和Raspberry Pi Zero等极少资源即可进行训练和预测。这与需要大量GPU资源的大型Transformer模型形成了鲜明对比。
-
手机散热器能提升性能，但对大多数用户来说并非必需
手机散热器可以防止在长时间高强度使用（如长时间游戏或在车内导航）时因发热导致的性能下降。虽然主动散热设备和半导体制冷器很有效，但大多数用户的使用强度不足以体验到明显的性能节流。对于普通用户来说，改善空气流通、取下手机壳或在充电时避免执行高要求任务等简单方法通常就足够了。
-
亚马逊Prime会员大促活动提供PC硬件折扣
亚马逊的Prime会员大促活动将于2026年10月举行，提供各种科技组件的折扣。此次促销包括图形处理器（GPU）、中央处理器（CPU）和固态硬盘（SSD）的优惠，专家们正在精选最佳优惠。新蛋（Newegg）等竞争对手在此期间也在举办促销活动，并且需要Prime会员资格才能享受亚马逊的优惠。
-
FASTDIAR系统支持基于CPU的实时说话人分割
研究人员开发了FASTDIAR，一种用于实时对话代理的帧级说话人分割新系统。与处理大块音频的传统方法不同，FASTDIAR使用因果帧级编码器，它连续处理音频流，每80毫秒输出一个嵌入。这种通过从话语级模型蒸馏训练的方法，在低重叠基准上实现了高精度和亚秒级延迟，并且在单个CPU线程上的运行速度明显快于现有系统。
-
LLM蒸馏创建可解释的简历-职位匹配工具
研究人员开发了一种新颖的两部分简历-职位匹配系统，该系统优先考虑可解释性而非简单的相关性分数。该系统利用大型语言模型（LLM）进行离线标注，并通过招聘人员的反馈优化提示，以生成可解释的匹配维度。然后，该LLM将其信号蒸馏到一个更高效的特征双编码器中，该编码器通过LoRA进行适配，能够在中央处理器（CPU）上运行以处理在线请求。部署的双编码器在生产反馈子集上显示出与招聘人员记录的决策高达95.79%的一致率。
-
WakeKV 为 LLM 引入反应式 KV 缓存驻留
研究人员开发了 WakeKV，这是一种新颖的 KV 缓存驻留策略，旨在提高大型语言模型的效率。与固定头分类的现有方法不同，WakeKV 会动态地将生成过程中行为发生变化的头移动到可恢复的 CPU 存储库中。这种反应式方法在各种模型和任务中持续提高性能，在内存受限的情况下优于 SnapKV 和 ReasonAlloc 等方法。
-
新的Cocoon架构提高了差分隐私机器学习训练的效率
研究人员开发了Cocoon，一种旨在提高差分隐私机器学习训练效率的新系统架构。该方法通过利用相互抵消的相关噪声，解决了差分隐私通常伴随的准确性下降问题。Cocoon优化了跨CPU、GPU和专用近存储器处理（NMP）设备的大噪声历史记录处理，并包含针对稀疏嵌入表的特定优化。在基于FPGA的NMP原型上进行的测试表明，性能提升了1.23倍至10.82倍。
-
不相关的科技新闻：收藏品玩偶和PC温度检查
此集群包含两条不相关的突发新闻。第一条讨论Hot Toys推出的《复仇者联盟：末日之战》中的收藏品玩偶， featuring characters Doom and Steve。第二条提供了一篇关于如何使用免费软件检查个人电脑CPU温度的指南，并引用了Engadget。
-
尖峰语音分类器SpikeSCR尽管准确率高，但仍显示出时间脆弱性
arXiv上发表的一篇新研究论文详细介绍了一种名为SpikeSCR的尖峰语音分类器，该分类器尽管具有很高的聚合准确性，但表现出集中的时间脆弱性。该研究分析了超过725,000次预测，显示尽管该分类器达到了86.08%的验证准确率，但特定的发音很容易受到微小变化的影响。研究确定了一小部分来源导致了大部分不利的预测偏移，并提出了检测这些脆弱性的方法，将它们与内部模型变化区分开来。
-
新的 RAGScope 协议旨在降低幻觉分类成本
研究人员开发了 RAGScope，一种旨在有效分类检索增强生成 (RAG) 系统中幻觉的新协议。该协议旨在通过使用仅依赖输入、检索到的上下文和生成答案的泄漏控制、证据门控方法来降低成本。增强版 RAGScope-E 在 RAGTruth 任务上实现了 0.798 的 AUROC 和 0.660 的平均精度，在池化平均精度上优于 ROUGE-L。该系统在 CPU 上运行速度很快，比 DeBERTa-NLI 等更复杂的模型快得多，尽管其有…
-
AMD 计划将其 GPU、芯片组和 CPU 的价格提高 10%
据报道，AMD 计划将其一系列 GPU、芯片组以及可能的 CPU 的价格提高 10%。此举是在硬件成本持续上涨的背景下发生的，这可能会使消费者购买其系统的组件更加昂贵。
-
指南：在 CPU 上运行 AI 文本嵌入，而不是昂贵的 GPU
一份指南建议，在昂贵的 GPU 硬件上运行文本嵌入模型是对资源的低效利用。“SRE RAG FinOps 蓝图”建议将嵌入任务卸载到 CPU，利用 ONNX 和 AVX-512 等优化来加快推理速度。它还推荐了 Matryoshka Truncation 和 QInt8 Quantization 等技术，以减少内存使用量并提高 CPU 在嵌入方面的性能。
-
PULSE 图像压缩通过人机 LLM 协作实现低延迟 CPU 解码
研究人员开发了 PULSE，一种专为单线程 CPU 高效解码而设计的新型图像压缩方法。该系统采用超低复杂度神经网络接收器和整数线性 CDF 预测器，实现位精确熵编码。通过涉及人机 LLM 协作的代理演化过程，PULSE 在单 CPU 线程上实现了 126 毫秒内 1080p 图像的低延迟解码，并且在感知优化后，其压缩性能可与 HM 和 MS-ILLM 等成熟编解码器相媲美。
-
新的CUDA实现加速实例分割解码
研究人员开发了一种新的基于CUDA的实现，用于加速使用质心位置编码的实例分割模型的解码阶段。该方法通过优化GPU上的并行化、同步和内存访问来解决计算瓶颈，显著降低了解码开销并提高了端到端推理延迟。这项工作强调了联合设计编码方案及其解码算法对于高效实时计算机视觉系统的重要性。
-
新的维特比算法公式提高了 GPU 上 HSMM 解码性能
研究人员开发了一种用于隐半马尔可夫模型 (HSMM) 的维特比算法的新张量公式，显著提高了计算性能。这种新颖的方法重新构建了算法的操作，以利用 SIMD 单元和大规模并行架构，实现了首次 GPU 加速实现。实验表明，与现有的顺序方法相比，在单核 CPU 上速度提高了 14 倍，在多核 CPU 上提高了 200 多倍，在 GPU 上提高了 570 多倍。这一进步使得大规模 HSMM 解码在计算生物学和金融等各个领域都变得实用。
-
AI模型将内存卸载到CPU以提高性能
大型语言模型面临内存挑战，因为AI代理需要广泛的上下文，导致大型KV缓存给GPU内存带来压力。为解决此问题，一种新方法将内存管理从GPU转移到CPU，利用包括DDR内存和SSD在内的分层存储。该策略旨在通过卸载历史数据来释放GPU资源以生成新token，而像Intel的QAT这样的技术可能会加速压缩和解压缩以提高效率。
-
AI Agent 驱动 CPU 复苏，影响成本与基础设施
中央处理器（CPU）的复苏正受到 AI Agent 日益增长的需求驱动。这些 Agent 在编排、工具利用和创建沙盒环境等任务中需要 CPU。这一转变正在影响 AI 成本和底层基础设施。