tessera
PulseAugur coverage of tessera — every cluster mentioning tessera across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Tessera系统为AI工作负载解锁异构GPU
一个名为Tessera的新系统已被开发出来，以提高在异构GPU集群上运行大型AI模型的性能和成本效益。与之前在粗粒度级别运行的方法不同，Tessera在内核级别分解工作负载，认识到不同的内核具有不同的资源需求。这种方法可以更精确地将计算与硬件能力对齐，从而在服务吞吐量和成本效益方面取得显著改进。Tessera还展示了对新模型架构的泛化能力，甚至可以在更低的成本下超越同构GPU设置。
-
亚米级分辨率影像被证明对于科特迪瓦的准确可可测绘至关重要
一篇新的研究论文评估了亚米级分辨率影像对于科特迪瓦准确可可测绘的必要性。研究发现，极高分辨率（VHR）影像，特别是0.5米Pleiades，取得了最高的性能（F1 = 0.92），并在各种景观条件下保持了准确性。虽然像TESSERA（F1 = 0.86）这样的十米级输入和来自AlphaEarth Foundations（AEF）（F1 = 0.82）的基础模型嵌入提供了可扩展的替代方案，但VHR影像在复杂、碎片化的景观中尤其有益。
-
AlphaEarth 和 TESSERA 嵌入在精细尺度气候区划测图方面展现出潜力
一篇新发表在 arXiv 上的研究，探讨了在瑞士使用 AlphaEarth 和 TESSERA 嵌入进行精细尺度局部气候区划（LCZ）测图的潜力。研究人员将这些嵌入与传统的 Sentinel-1/2 复合影像进行了比较，发现两种嵌入类型在使用 U-Net 架构将粗略的 LCZ 测图提升至 10 米分辨率方面都显示出有希望的潜力。在进行的实验中，TESSERA 嵌入的表现持续优于 Sentinel-1/2 和 AlphaEarth，尽管…
-
融合后的地球嵌入模型表现出性能提升
研究人员开发了一种新的方法来评估地球嵌入模型，通过评估它们的互补性，即衡量融合多个嵌入所实现的性能提升。这种方法与传统上孤立评估模型的方法形成对比。研究发现，在测试的六项下游任务中的四项中，融合嵌入的表现优于单一模型，这表明孤立的评估通常低估了这些模型的全部潜力。互补性被观察到取决于特定任务和地理位置，并且对于一项任务，它受到土地覆盖类别空间尺度的影响。
-
Tessera为边缘AI加速器提供安全、近线速权重流
研究人员开发了Tessera，一种旨在安全地将模型权重流式传输到统一内存架构（UMA）系统中的边缘加速器的新架构。该方法通过实现权重的内联、缓存行粒度解密，解决了在商品设备上保护专有深度神经网络的挑战。Tessera拦截内存突发，并与DRAM获取并行解密，以最小的带宽开销将明文直接流式传输到隔离的NPU SRAM中。