پرش به محتوای اصلی

موضوع

آموزش توزیع‌شده

روشی برای آموزش مدل‌های هوش مصنوعی با استفاده از چندین پردازنده یا سرور به‌صورت همزمان

۹۰ مقاله منتشر شده

آموزش کاربردی

تخصیص هوشمند GPU بهره‌وری خوشه‌های پردازشی را ۳۳ درصد افزایش داد

یک تخصیص‌کننده جدید با جایگزینی زمان‌بندی FIFO، ظرفیت‌های بلااستفاده GPU را بازیابی کرده و بهره‌وری را در سناریوهای سنگین آموزش ۳۳ درصد بالا برده است. این سیستم با تبدیل تقاضای…

۱۳ دقیقه خواندن۳
آموزش کاربردی

Lumabri مدل‌های عظیم MoE را روی شبکه‌ای از پردازنده‌های معمولی اجرا می‌کند

پروژه Lumabri با توزیع وزن‌ها و محاسبات میان گره‌های Peer-to-Peer، اجرای مدل‌های غول‌پیکر ترکیب خبره‌ها را بدون نیاز به GPU ممکن کرده است. این سیستم خروجی‌های کاملاً یکسانی را روی…

۲۱ دقیقه خواندن۳
اخبار کوتاه روزانهگزارش تأییدنشده

بایت‌دنس با مدل ۱۰ تریلیون پارامتری به رقابت با آنتروپیک می‌رود

شرکت بایت‌دنس در حال آموزش مدل عظیمی با ۱۰ تریلیون پارامتر است تا جایگاه خود را در برابر سیستم‌های پیشرو غربی تثبیت کند. این پروژه با هدف رسیدن به توانمندی‌های مدل Mythos 5…

۱ دقیقه خواندن۳

آیا رویکرد XM می‌تواند مشکل تاری مود را در رباتیک حل کند؟

رویکرد جدید مدل‌سازی اکتشافی (XM) با انتقال پیچیدگی از مرحله استنتاج به چرخه آموزش، مشکل «تاری مود» را حل کرده است. این تکنیک امکان تولید خروجی‌های دقیق در یک گام را فراهم می‌کند…

۵ دقیقه خواندن۴
آموزش کاربردی

رویکرد سخت‌افزاری انویدیا در برابر پیاده‌سازی‌های استاندارد PyTorch

انویدیا با ترکیب هسته‌های گرافیکی ادغام‌شده و دقت ۸ بیتی (FP8)، حافظه و تأخیر آموزش مدل‌های زبانی بزرگ را به‌شدت کاهش داد. این رویکرد سخت‌افزار-آگاه، جایگزینی بهینه برای…

۷ دقیقه خواندن۲