H100 GPU
PulseAugur coverage of H100 GPU — every cluster mentioning H100 GPU across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的AR扩散方法提高了长视频生成的质量和速度
两篇新的研究论文提出了新颖的自回归（AR）方法，使用扩散模型生成长视频。轨迹强制（TraF）利用先前视频块的去噪轨迹作为上下文，提高了VBench等基准的质量。TriTD通过解决基础模型误差、训练-推理分布不匹配和上游误差传播问题，专注于优化生成质量和推理效率，在单个GPU上实现了实时吞吐量。
-
新框架“Any Forcing”提升了自回归视频生成的稳定性
研究人员推出了一种名为“Any Forcing”的新型框架，旨在增强自回归视频生成。该方法旨在为平衡质量和效率的采样步数提供灵活性，同时提高一步生成的稳定性。该框架包含一个统一的对抗性判别器，用于分布对齐和质量增强，以及一个自适应的长期记忆选择机制，以在长视频生成中保持时间一致性。实验表明，Any Forcing 在单个 H100 GPU 上可以实现高质量、稳定的单步视频生成，短视频速度为 20.9 FPS，长视频速度为 24.7 FPS。
-
新型 EDU-Jev 模型为教育决策提供更快、更准确的方案
研究人员开发了 EDU-Jev，这是一系列专为教育应用设计的新型单通道决策模型。这些模型有 0.8B、2B 和 4B 参数规模，输出预定义答案选项的概率分布，而非生成文本，从而降低了推理成本并提高了准确性。最大的 EDU-Jev 4B 模型在十二项教育基准测试中的平均准确率达到 67.6%，优于商业决策 API 和其他开源模型。2B 模型展示了其效率，在单个 H100 GPU 上每秒可处理约 150 个决策。
-
新的“知而后画”范式提高了视觉生成效率
研究人员引入了一种名为“知而后画”（Know, then Draw）的新型学习范式，它结合了用于语义理解的自回归预训练和用于视觉生成中高保真渲染的扩散后训练。这种混合方法旨在通过优化知识获取和像素渲染来高效生成高质量的文本到图像输出。研究发现，自回归预训练是下游渲染更有效的目标，提高了学习效率和最终图像质量。使用此范式训练的3B参数模型在GenEval和DPG-Bench等基准测试中取得了优异的成绩，并且显著减少了GPU使用时间。
-
人工智能的隐藏环境成本：硬件生命周期揭秘 · 已追踪2个来源
一项新的分析显示，人工智能的环境成本远远超出了数据中心的能源消耗，涵盖了硬件的整个生命周期。台积电生产一块H100 GPU涉及大量的原材料开采、能源消耗和二氧化碳排放。此外，这些组件的处置也加剧了全球电子垃圾问题，硬件经常最终被倾倒在加纳和巴基斯坦等国的垃圾填埋场。
-
LidarVerse 推出统一的实时 LiDAR 模拟模型
研究人员推出了 LidarVerse，这是一种新颖的实时统一 LiDAR 世界模型，专为跨各种任务和传感器的传感器模拟而设计。该模型将基于重建和生成模拟范式整合到一个单一的条件生成框架中。LidarVerse 使用通用分词器将 LiDAR 序列映射到潜在空间，允许双向教师模型学习用于条件化不同场景输入的通用接口。蒸馏后的学生模型可以在单个 H100 GPU 上以 11 FPS 的速度实现实时推理，在多个评估协议中展示了最先进的性能，并…
-
LidarVerse：用于实时传感器仿真的统一 LiDAR 世界模型
研究人员推出了 LidarVerse，这是一种新颖的实时统一 LiDAR 世界模型，专为跨各种任务和传感器的传感器仿真而设计。该模型将基于重建和生成仿真范式整合到一个单一的条件生成框架中。LidarVerse 使用通用分词器将 LiDAR 数据映射到共享的潜在空间，使其能够作为世界生成器、点云预测器或观察场景的重新模拟器，而无需进行广泛的每场景优化。它实现了最先进的性能，并支持多种 LiDAR 波束配置，证明了单个模型能够同时处理生成…
-
SpaceX 携手 NVIDIA 打造雄心勃勃的轨道人工智能数据中心项目
SpaceX 计划启动其雄心勃勃的 Starmind 项目，这是一个旨在利用太阳能进行人工智能计算的轨道数据中心，将使用 NVIDIA 的先进 GPU。该项目旨在通过部署多达一百万颗配备 NVIDIA Rubin GPU 和 Vera CPU 的卫星，克服土地稀缺和电力短缺等地面限制。尽管埃隆·马斯克设定的 2027 年发射时间表充满乐观，但该项目在将尖端人工智能硬件部署到太空（包括抗辐射能力）方面面临着重大的技术挑战、高昂的成本和规模化挑战。
-
明玕科技发布超越基准测试的GPU平台验收框架
明玕科技已开发出一个全面的GPU计算平台验收框架，该框架超越了标准的基准测试。该框架弥补了基准测试性能与实际集群推理之间的差距，强调了验证显存容量、互连带宽和存储系统的必要性。该过程包括基线性能测试、实际工作负载下的加速效果验证以及严格的72小时稳定性压力测试，以确保可靠性。
-
深度感知分析揭示Qwen MoE模型层的敏感性
研究人员开发了一种用于混合专家（MoE）模型的深度感知敏感性分析方法，并将其应用于Qwen3.6-35B-A3B模型。他们的研究结果表明，早期和中期层对专家掩码高度敏感，而后期层可以容忍显著的掩码而不会导致性能大幅下降。这项研究为通过专家掩码进行模型压缩提供了一种实用的方法，有望实现更高效的LLM。
-
Avatar-Forever框架通过并行训练实现实时无限虚拟形象
研究人员推出Avatar-Forever，一个专为高质量、实时无限交互式虚拟形象设计的新型框架。该系统将生成效率和长时鲁棒性的训练解耦到并行分支中，解决了现有顺序训练管道的局限性。Avatar-Forever采用全参数蒸馏来保证视觉质量，并使用经过面向恢复的滚动训练（RRT）训练的轻量级适配器来提高生成鲁棒性。此外，它还集成了ForeverCache，一种分块特征缓存机制，通过减少冗余计算来优化流式推理。Avatar-Forever基…
-
新流程利用大语言模型和本体论自动化工业设备配置
研究人员开发了SysName，一个旨在自动化工业现场总线设备配置的流程。该系统使用混合检索索引，并结合了源自ECLASS、AAS和SOSA/SSN标准的本体图。然后，本地大语言模型生成JSON-LD配置，并通过一个两阶段的弃权门进行进一步验证，以防止不安全的操作。SysName在配置各种工业协议方面表现出高精度和高效率，包括一个涉及Universal Robots UR5e机器人的案例研究。
-
新的 ELMOD 语言模型为移动设备提供高效的德语推理
研究人员开发了 ELMOD，一个拥有 27 亿参数的德语语言模型，该模型针对设备端的高效推理进行了优化。该模型使用了公开可用的数据和针对德语的形态学及复合词特性定制的专门预处理技术进行训练。ELMOD 在其规模下表现出强劲的性能，在德语任务上可媲美 70 亿参数的模型。
-
FlashDecoder: 基于 Transformer 的视频解码器实现实时生成
研究人员开发了 FlashDecoder，这是一种新颖的、基于 Transformer 的视频解码器，专为实时生成而设计。与使用缓慢且内存密集型 3D 卷积解码器的现有模型不同，FlashDecoder 通过滚动 KV 缓存处理过去帧的固定大小窗口中的帧。这种方法可确保恒定延迟的流式传输，并保持与卷积解码器相当的重建质量，即使在 1080p 等高分辨率下也是如此。与传统方法相比，FlashDecoder 在 H100 GPU 上展示了…
-
RynnWorld-Teleop 使用生成式世界模型进行机器人数据合成
研究人员推出 RynnWorld-Teleop，这是一个利用生成式世界模型进行机器人数字遥操作的新颖系统。该方法用合成训练数据取代物理机器人交互，实现了高效的零样本 Sim2Real 迁移并提升了真实世界性能。该系统集成了深度感知骨骼条件和扩散 Transformer，用于渐进式人到机器人训练，在单个 H100 GPU 上实现了实时生成速度。仅在 RynnWorld-Teleop 数据上训练的策略已在各种双臂任务中有效迁移，并且用这些…
-
Sakana AI 的 Fugu-Ultra 智能体自主优化机器学习训练和文本重建
Sakana AI 开发了 Fugu-Ultra，这是一种能够自主改进机器学习训练配方的 AI 智能体。在一项实验中，Fugu-Ultra 在一台 H100 GPU 上迭代编辑了训练代码，并在 14 小时内运行了 123 次实验，取得了比三个前沿模型更好的平均每比特字节 (BPB) 分数。在另一项独立测试中，Fugu-Ultra 在重建古典日语文本的阅读顺序方面表现出卓越的性能，其 NED 分数达到 0.80，而其他模型的得分均低于 …
-
StreamChar框架支持实时音视频角色生成
研究人员推出StreamChar，一个用于在实时流式场景中生成角色音视频的新型框架。该系统将长视域编排与短窗口音视频去噪解耦，利用基于LLM的编排器处理帧对齐音频条件，并使用联合音视频DiT进行局部去噪。StreamChar采用两阶段蒸馏管线以实现高效部署，并结合了进度感知指针和接收块内存等机制，以减轻字幕-音频不对齐和视觉漂移问题，在单个H100 GPU上实现了实时性能。
-
新框架支持实时流式音视频生成和旁白
研究人员开发了两个新框架 StreamChar 和 FlowNar，专为长视频的实时音视频生成和旁白设计。StreamChar 利用基于 LLM 的编排器和联合音视频扩散 Transformer 来实现高效的实时角色动画生成。FlowNar 通过采用动态上下文管理和新颖的 Cross Linear Attentive Memory 模块来解决流式视频旁白的扩展性挑战，以保持有限的计算复杂性并提高旁白质量。