NVIDIA Jetson Orin NX 16GB
PulseAugur coverage of NVIDIA Jetson Orin NX 16GB — every cluster mentioning NVIDIA Jetson Orin NX 16GB across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
NVIDIA推出Jetson Orin Nano 2，AI性能增强
NVIDIA推出了Jetson Orin Nano 2，这是一款更新的入门级边缘AI计算板。该新板搭载了重新设计的芯片，其Ampere GPU架构得到改进，与前代产品相比，AI性能翻倍。Jetson Orin Nano 2还支持更快的LPDDR5X内存，并提供更高的能效，以40%的功耗实现同等性能。
-
乌克兰在俄罗斯导弹中发现Nvidia AI芯片；数据泄露暴露900万张面孔
乌克兰情报局（HUR）在一枚被击落的俄罗斯S-71M巡航导弹中发现了一枚Nvidia Jetson Orin NX AI芯片。这一发现引发了关于该芯片如何进入俄罗斯军事硬件的疑问，因为Nvidia表示该芯片并非为此类用途设计。另外，一个名为ClarityCheck的people-search工具发生数据泄露，暴露了超过900万张个人面部图像。
-
乌克兰声称在俄罗斯巡航导弹中发现英伟达人工智能芯片
乌克兰军事情报部门报告称，在其发现的俄罗斯新型 S-71 'Monochrome' 巡航导弹中，搭载了英伟达 Jetson Orin 模块。这些模块专为消费和开发者应用而设计，具备人工智能能力，可能用于自主瞄准和末端制导。英伟达表示，其 Jetson 模块并非为军事目的而设计，也未在俄罗斯正式销售，这表明它们可能是通过第三方经销商获得的。
-
Nvidia Jetson DLA 核心在实时流水线中实现近乎零开销的分类
研究人员开发了一种新颖的五步方法，用于在 NVIDIA Jetson DLA 核心上部署分类模型，克服了严格的算子约束和量化不兼容性带来的挑战。该方法通过允许在 GPU 上并行执行检测模型，在 DLA 上并行执行分类模型，从而在实时检测流水线中实现近乎零的开销。该方法已在双头人员属性分类器上得到验证，证明了在不增加额外成本的情况下显著提高了性能。
-
新型水下监测系统利用本地人工智能节省能源
研究人员开发了一种新颖的、节能的水下监测系统，该系统将连续低功耗传感与按需本地推理相结合。该架构使用 MAX78000/MAX78002 微控制器进行持续信号监测，仅在需要处理或交互时才激活更强大的 NVIDIA Jetson Orin NX。该系统采用多模态管道进行数据摄取、目标提取和物种识别，并利用存储在 ChromaDB 中的 BioCLIP/OpenCLIP 嵌入。一个基于 LangChain 的多代理框架负责查询路由、能源和…
-
27B 人工智能模型在 Jetson Orin NX 16GB 上本地运行
一位用户成功地在 Jetson Orin NX 16GB 设备上本地运行了 Bonsai 27B 语言模型，尽管硬件有限，但仍实现了可用的单用户应用程序性能。该设置涉及 PrismML 的 llama.cpp 分支的自定义构建，以支持该模型独特的 1 位量化格式，因为 Ollama 等标准工具不支持。虽然英语推理表现尚可，但该模型在非英语语言方面遇到了困难，这表明极端的压缩会影响多语言能力。
-
新系统利用卫星图像实现无GPS空中地理定位
研究人员开发了一个名为NGPS（下一代定位系统）的新系统，用于高空无人机（UAV），实现了无GPS的绝对定位。该系统通过将无人机捕获的向下拍摄的图像与使用深度特征的地理参考卫星图像进行匹配来实现这一点。NGPS集成了自适应置信度加权UKF融合、速度预测核提取以及异步多速率时间优先级队列，以融合绝对位置、VIO和IMU更新。该框架支持实时2.5D地理参考正射镶嵌重建，并在测试中显示出比独立单目VIO显著的改进。
-
新的TAPAS策略优化自动驾驶系统感知以提高能效
研究人员开发了TAPAS，一种专为移动和边缘平台上运行的自动驾驶系统设计的新型吞吐量自适应感知策略。该系统根据不断变化的场景复杂度实时调整资源分配，旨在优化能耗同时保持性能。TAPAS利用带有门控循环单元代理的强化学习，跨异构硬件动态映射感知任务，在KITTI和nuScenes等数据集上展示了显著的节能效果和稳健的吞吐量达标率。
-
NanoVSR：面向边缘设备的实时视频超分辨率技术发布
研究人员开发了NanoVSR，一种专为边缘设备优化的新型视频超分辨率架构。这种全卷积模型利用结构重参数化技术，使其能够与TensorRT等硬件加速器兼容，从而在没有显式光流或Transformer组件的情况下实现实时性能。在REDS4基准测试中，NanoVSR在恢复质量和计算效率之间取得了良好的平衡，并在NVIDIA Jetson Orin NX 16GB等硬件上实现了高帧率。
-
探索用于NVIDIA Jetson边缘部署的小型视觉语言模型（VLM）量化
本文研究了小型视觉语言模型（VLM）的量化，以实现其在边缘设备上的高效部署，特别是NVIDIA Jetson Orin NX和AGX。研究系统地评估了六种量化配置下的五种假设，结果表明模型架构（MoE vs. 密集型）对量化敏感性有显著影响，MoE模型更能处理INT4噪声。研究还发现，SigLIP编码器在Jetson Ampere硬件上由于特定的内核-硬件交互而引入延迟，并且虽然INT4量化减少了VRAM，但可能会减慢令牌生成速度。复…
-
研究发现：边缘VLM的能源消耗由输出驱动，而非输入
一项新研究表明，边缘设备上视觉语言模型（VLM）的能源消耗主要由生成的输出量驱动，而非视觉输入的复杂性。研究人员发现，生成每个输出令牌比处理输入令牌花费的时间更长，消耗的能源也更多。这表明，减少VLM能源消耗的努力应侧重于控制输出长度，因为即使消除视觉输入处理，能源节省也微乎其微。
-
Jetson Orin NX 为 Hermes Agent 提供 65K 上下文和快速推理能力
一位用户已成功配置 Jetson Orin NX 以运行 Hermes Agent，并取得了令人印象深刻的性能指标。该配置优先考虑静音和美观，同时在文本生成方面实现了超过 10 token/秒，在提示处理方面实现了 300 token/秒。该设置支持至少 65,000 token 的上下文窗口，具体测试显示 Gemma 4 26B 模型在 60,000 token 上下文下实现了 10.21 token/秒。
-
本地AI进展：Qwen3-8B加速，离线Gemma机器人，及多模态模型
一项新的加速技术被开发出来，据称能使Qwen3-8B语言模型实现7.8倍的速度提升，且输出与原模型相同。另外，一个名为Sparky的完全离线行李箱机器人，使用Gemma 4 E4B模型和llama.cpp在Jetson Orin NX上构建，展示了在边缘硬件上本地部署AI的能力。此外，Intern-S2-Preview，一个35B的科学多模态模型，已在Hugging Face上发布，专注于用于本地部署的新颖“任务扩展”方法。
-
Hello Robot 的 Stretch 4 机器人优先考虑实用的家庭辅助移动性
Hello Robot 推出了 Stretch 4，这是一款轮式家用机器人，旨在提供实用辅助，而非模仿人形。该机器人通过全向底座和先进传感器优先考虑移动性和操控性，使其易于安全操作。它利用 Intel NUC 15 和 Nvidia Jetson Orin NX 进行自主导航和视觉处理，目标是部署给有严重行动不便的个人。
-
AI模型为边缘牲畜监测进行蒸馏，减少VRAM需求
研究人员开发了一种轻量级蒸馏方法，用于SAM 3和DINOv3等大型基础模型，使其能够在边缘设备上部署用于牲畜监测。蒸馏后的管道显著减少了参数数量和VRAM使用量，能够适应NVIDIA Jetson Orin NX的配置。这一进展支持了精准畜牧业的设备端视觉分析，能够对动物健康和行为进行回顾性分析。
-
DenseScout 通过算法-系统协同设计优化边缘平台上的小目标选择
研究人员开发了 DenseScout，一种用于边缘设备高效小目标选择的新型算法-系统协同设计方法。这种轻量级选择器仅包含 101 万个参数，在严格的计算和延迟限制下，比传统的基于检测器的方法更能有效地优先选择候选图像块。该系统还采用了感知传输的运行时实现和 QoS 约束召回率指标，以确保在异构硬件上满足截止时间内的性能。