PulseAugur
中
实时 07:49:11
实体 Tensor Processing Unit

Tensor Processing Unit

PulseAugur coverage of Tensor Processing Unit — every cluster mentioning Tensor Processing Unit across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 59
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 6
层级分布 · 90 天
主题
关系
时间线
  1. 2026-06-09 product_launch Google has reportedly ordered over three million Intel-manufactured TPUs for delivery in 2028. 来源
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/4 页 · 共 78 条
  1. TOOL · CL_366324 ·

    新的LoCoJAX框架提高了TPU上小模型强化学习的效率

    研究人员开发了LoCoJAX,一个旨在提高TPU上小模型强化学习效率的新框架。研究发现,现有的基于Pathways的强化学习模型在处理小模型时会产生显著的协调开销,对于一个0.6B参数的模型,主机编排会消耗36%的步进时间。LoCoJAX通过在每个TPU主机上实现本地rollout和奖励处理来解决这个问题,与Qwen3-0.6B上的优化Pathways基线相比,速度提高了1.3-3.6倍。对Ray管理的分解模式进行的进一步实验表明,当…

  2. TOOL · CL_360348 ·

    新的 TPU 内核优化混合专家模型 LLM 推理

    研究人员开发了 Fuse-All MoE,这是一种新颖的 TPU 内核,旨在优化混合专家(MoE)大型语言模型(LLM)的推理效率。该内核通过融合 token 收集、专家投影、门控激活和输出写入来解决数据移动和专家负载均衡中的瓶颈问题,并将专家计算中间结果保留在片上。实验表明,与现有基线相比,内核运行时间和延迟显著降低,服务吞吐量提高了高达 34.5%。

  3. RESEARCH · CL_355550 ·

    GPU 与 TPU 及 LoRA 微调:效率与硬件趋势

    该集群探讨了人工智能硬件和微调技术的演变格局。它对比了 GPU 和 TPU 的架构起源和趋同能力,强调了 Nvidia 和 Google 如何在将这些处理器改编用于相似的 AI 工作负载之前,为不同的初始目的开发它们。文章还深入探讨了高效的模型微调,特别是将 LoRA(低秩适配)作为一种能显著降低计算和内存需求的方法,与完全微调相比,这使得硬件资源有限的实践者更容易使用。此外,讨论还涵盖了量化权衡和在消费级 GPU 上运行大型语言模型…

  4. SIGNIFICANT · CL_339165 ·

    Bambu Lab H3C:一款用于多材料和多色打印的九工具 3D 打印机

    Bambu Lab 推出了 H3C,这是一款专为多材料和多色打印设计的九工具 3D 打印机。这款先进的机器具有快速喷嘴更换功能,可以处理各种耗材,包括用于柔性打印的特殊 2.85 毫米 TPU。虽然 H3C 提供了较大的构建体积和集成的线轴管理,但其显著的高度和成本是值得注意的缺点。

  5. RESEARCH · CL_330042 ·

    Alphabet 第三季度营收达 1276 亿美元,AI 和 Google Cloud 增长是主要推动力

    Google 的母公司 Alphabet 报告第三季度营收创纪录地达到 1276 亿美元,同比增长 25%。该公司的业绩在很大程度上得益于其云部门 Google Cloud,该部门营收翻倍至 307 亿美元,这主要得益于对 AI 基础设施和 TPU 系统的需求。这一财务成功表明,云服务和生成式 AI 正成为这家科技巨头重要的利润中心。

  6. MEME · CL_315497 ·

    vLLM-tOrchtpu的GitHub页面被描述为混乱的AI术语迷宫

    vLLM-tOrchtpu的GitHub页面被描述为一个充满AI术语和缩略语的混乱迷宫。它包含一个复杂的“PyTorch-native TPU for vLLM”咒语,在普遍的AI炒作中,普通用户很难理解。

  7. TOOL · CL_295547 ·

    iPhone Duo 配件兼容性挑战详解

    Apple 新款 iPhone Duo 因其可折叠设计和独特尺寸,在配件兼容性方面带来了独特的挑战。虽然标准的 USB-C 外设和大多数无线充电器(包括 MagSafe 和 Qi2)仍然可用,但许多传统配件,如保护壳、屏幕保护膜和车载支架,需要专门针对 Duo 的可折叠外形进行定制设计。建议使用柔性 TPU 或 PET 薄膜屏幕保护膜而非玻璃,预计未来的软件更新将支持 USB-C Apple Pencil 兼容性。

  8. RESEARCH · CL_295114 ·

    OpenAI 组建自己的芯片团队以加速人工智能硬件开发

    OpenAI 已成立自己的芯片部门,由曾开发谷歌 TPU 芯片的 Richard Ho 领导。此举标志着 OpenAI 有志于设计定制硬件以适配其人工智能模型,可能减少对英伟达(Nvidia)和 AMD 等外部芯片制造商的依赖。该计划旨在通过创建更高效、更强大的专用芯片来加速人工智能的发展。

  9. TOOL · CL_292007 ·

    折叠屏手机内屏需专业维护,而非售后保护膜

    为折叠屏手机贴膜需要仔细考虑,特别是内屏。外屏可以像普通手机一样保护,但内屏由精密的柔性层构成,通常预装有用户不应自行移除的保护膜。尝试为内屏贴售后保护膜可能会损坏整个显示屏,三星和苹果等制造商建议如果内屏磨损,应由专业人员更换。

  10. TOOL · CL_240661 ·

    InferenceX将TPU堆栈外部化,挑战CUDA主导地位

    SemiAnalysis报道称,InferenceX在TPU推理外部化方面取得了重大进展,每美元性能可能提高多达50%。该公司正在积极开发其TPU堆栈,在Ironwood和TPUv8i方面取得了显著进步。此举旨在减少对CUDA的依赖,而CUDA是英伟达的关键竞争优势。

  11. SIGNIFICANT · CL_227866 ·

    英伟达投资35亿美元,将竞争对手AI芯片整合进其生态系统

    英伟达已投资35亿美元购买联发科发行的可转换债券。联发科是一家台湾半导体公司。此举使联发科能够为其定制AI加速器、汽车平台和本地AI系统采用英伟达的NVLink Fusion平台。该合作旨在确保可能取代英伟达GPU的定制AI芯片能够与英伟达现有基础设施和标准集成,从而有效地为定制芯片开发创建一个‘收费站’。

  12. RESEARCH · CL_227407 ·

    百度实现双重主要上市,标志着AI优先估值转变

    百度已正式在香港和纳斯达克两大证券交易所实现双重主要上市,成为首家实现这一地位的拥有全面“全栈AI”战略的公司。此举旨在提高流动性、扩大投资者基础,并通过将市场认知从传统搜索公司转变为AI优先型企业来重塑其估值。公司AI业务目前占其整体业务收入的一半以上,这得益于其集成的“芯片-云-模型-体”生态系统,包括其昆仑AI芯片、智能云服务、文心大模型以及Apollo等自动驾驶项目。

  13. SIGNIFICANT · CL_222529 ·

    Z.ai 发布 GLM-5.3 Flash,使用 10 万颗中国芯片

    中国人工智能供应商 Z.ai 发布了其新的多模态模型 GLM-5.3 Flash,该模型专为长上下文处理和智能体任务而设计。值得注意的是,Z.ai 在模型的推理过程中使用了 10 万颗国产芯片,这标志着中国人工智能硬件行业正朝着自给自足和优化的方向发展。这一进展挑战了中国在人工智能基础设施方面,尤其是在推理工作负载方面落后的看法,因为中国供应商正专注于高效的模型架构和软件优化,以弥补与英伟达等美国芯片制造商在性能上的潜在差距。

  14. TOOL · CL_209230 ·

    Gemma 4 E2B 部署问题凸显 TPU 服务堆栈的局限性

    一位开发者在使用 Google Cloud TPU 的 vLLM 服务堆栈部署 Google 的 Gemma 4 E2B 模型(带有量化检查点)时遇到了问题。由于检查点格式与服务堆栈的功能之间存在差异,特别是关于量化方案和缺失的模型权重,int4 和去量化 QAT 变体都无法加载。开发者最终实现了一个自定义加载路径来解决这些问题,这凸显了 int4 和去量化检查点之间的选择很大程度上取决于可用的硬件内存,而不仅仅是检查点类型。

  15. RESEARCH · CL_208342 ·

    Inco AI 发布 DFlash 2 以加快 LLM 推理速度

    Inco AI 发布了 DFlash 2,这是大型语言模型(LLM)投机解码的一项进展。新版本在原始 DFlash 的并行草稿方法的基础上,通过最小的延迟增加,将每次验证的输出提高了 20% 以上。DFlash 2 旨在通过在单次传递中优化 token 预测和选择,来提高推理效率,这是 AI 代理的一个关键瓶颈。

  16. RESEARCH · CL_185678 ·

    谷歌传奇人物 Jeff Dean 在效力 27 年后离职,创办 AI 初创公司

    谷歌传奇工程师、最早的员工之一 Jeff Dean 宣布在效力 27 年后离职。Dean 在构建谷歌的许多基础架构方面发挥了关键作用,包括 MapReduce、BigTable 和 Spanner 等系统,并在 TensorFlow 和 TPU 的开发中发挥了重要作用。据报道,他的离职导致谷歌股价大幅下跌。Dean 现在将开启一项新事业,联合创办一家名为 Discovery Loop 的初创公司,专注于自动化机器学习、科学和工程。

  17. SIGNIFICANT · CL_168351 ·

    Google因AI数据中心支出首次出现现金流为负的季度

    Google的母公司Alphabet报告了其有史以来第一个现金流为负的季度,2026年第二季度赤字为59亿美元。这主要是由于创纪录的449亿美元资本支出,主要用于AI数据中心的扩张和自研TPU的生产。尽管本季度出现短缺,但公司在过去十二个月的自由现金流仍为正,并提高了全年资本支出指引,预计到2027年将进一步投资。

  18. RESEARCH · CL_160646 ·

    JAXBench 推出以优化 Google TPU 上的 AI 内核

    一个名为 JAXBench 的新基准测试套件已被开发出来,专门用于解决 Google Cloud TPU 上 AI 内核性能的优化问题。该套件包含 50 个 JAX 工作负载,这些工作负载源自 Llama-3.1、DeepSeek-V3 和 Gemini 3 Flash 等知名 AI 模型。初步评估表明,提供精选的 TPU 文档可显著提高 AI 生成内核的正确性,将其从 5.8% 提高到 37.3%,并实现了比 XLA 快 1.6 倍的速度。

  19. RESEARCH · CL_156229 ·

    海南计划发展eVTOL和无人机物流,推动商业航天领域发展

    海南省正计划整合包括电动垂直起降(eVTOL)飞行器和大型载货无人机在内的先进物流技术,用于跨海货物运输。“十五五”服务业发展规划旨在提高海鲜和水果等本地产品的配送效率,并扩大无人机在日常配送中的应用。此外,该省还打算通过发展技术服务来支持其商业航天领域,重点关注卫星数据交易、智能发射系统和智能检测服务,以将其能力从硬件制造扩展到高价值运营。

  20. SIGNIFICANT · CL_156176 ·

    Google 研发 'Rigel' 芯片,专为 Gemini AI 模型提供动力

    据报道,Google 正在研发一款专用芯片,其能效将远超现有的 Tensor Processing Units (TPUs)。这款代号为 'Rigel' 的新芯片将专用于驱动 Google 的 Gemini 大语言模型,这表明 Google 正在采取战略举措,以优化其人工智能基础设施的性能并降低运营成本。