Shivam Kumar
PulseAugur coverage of Shivam Kumar — every cluster mentioning Shivam Kumar across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Runway 发布 Praxis-1 开放权重机器人动作模型
Runway 发布了 Praxis-1,一个拥有 270 亿参数的开放权重模型,用于预测未来的视频和机器人动作。该模型在 NVIDIA 的 RoboLab-120 排行榜上取得了 46.2% 的成功率,优于 FLUX 3 Action 和 Cosmos3 Nano 等其他模型。该模型的架构结合了扩散 Transformer 视频主干和动作专家,并且可以在 NVIDIA H100 GPU 上以不到一秒的时间生成 1.6 秒的运动。文章为…
-
Google DeepMind 使用 AI 代理形式化验证 Signal 的加密协议
Google DeepMind 推出了 AlphaProof Code,这是一个由 AI 驱动的框架,可以对复杂软件进行形式化验证。研究人员使用该系统在数学上证明了 Signal 加密协议的关键安全属性,这项任务以前被认为是重大的安全挑战。该框架结合了人类专业知识和多个 AI 代理(包括由 Gemini Carbon 驱动的代理),以 Lean 编程语言生成形式化证明,显著减少了此类验证所需的时间和精力。
-
Inkling 2 Small:开发人员在承诺使用新模型之前的检查清单
Thinking Machines Lab 发布了 Inkling 2 Small,这是一个拥有 594B 参数、每个 token 拥有 17B 活跃参数的模型,在 Artificial Analysis Intelligence Index 上得分 31。目前,访问仅限于 Tinker 平台进行推理和微调,可下载的权重和 Apache 2.0 许可预计将在安全测试后于下周发布。建议开发人员在将模型集成到生产管道之前,在实际任务上进行…
-
GitHub Copilot Fusion 为开发者自动选择 AI 模型
GitHub 推出了 Copilot Fusion,一项旨在通过根据指定的努力程度将任务路由到不同 AI 模型来自动为开发者选择模型的新功能。这种方法旨在优化成本和速度,据称 Fusion Max 在编码基准测试中可以超越 Claude Code on Opus 5.5 等模型,同时消耗更少的资源。该系统还包含一个由一个模型审查另一个模型输出的批评步骤,并且 GitHub Enterprise 正在将其 AI 功能转向基于积分的访问模式。
-
Apple M6 芯片加速设备端 AI,赋能本地优先策略
Apple 推出了搭载 M6 芯片的新款 MacBook Pro 和 iMac 型号,显著提升了设备端 AI 的处理能力。这些新机器在 AI 任务方面提供了实质性的速度提升,其中 iMac 的速度比其前代产品快 5 倍。这一进步使得“本地优先”的 AI 策略成为可能,允许开发者构建直接在设备上运行的转录和代码辅助等功能,从而减少对云处理及其相关成本和延迟的依赖。
-
DeepSeek V4.1-Flash 通过智能路由将 AI 代理成本降低 15 倍
一位开发者通过将模型从 GPT-4 级别模型切换到 DeepSeek V4.1-Flash,显著降低了 AI 代理的推理成本。通过实施一种路由策略,将简单任务导向成本效益更高的 DeepSeek 模型,将复杂推理导向前沿模型,开发者在保持客户满意度的同时,将推理费用降低了 15 倍。这种方法强调监控 token 使用量并拥有备用提供商,以确保生产环境中 AI 代理的性能一致性和成本控制。
-
开发者用免费 GPU 从零开始构建了一个小型的 1.88 亿参数混合专家模型
VisionQuantech 的创始人 Shivam Kumar 详细介绍了如何仅使用免费的 Nvidia T4 GPU 构建一个小型、拥有 1.88 亿参数的混合专家(MoE)语言模型的流程。他采用了一种名为 Main Researcher System v4 的方法,该方法涉及从现有研究中提取 MoE 原始概念和元模式,使用 TRIZ 原理解决矛盾,并利用组合引擎筛选潜在架构。由此产生的模型 DeepSeekMoE-tiny,在计…