至顶网服务器频道 10月30日 新闻消息(文/刘新萍): 依稀记得上个月,在GTC CHINA 2017上英伟达掌舵人黄仁勋掀起的"AI风云",各种金句使得黄仁勋成为科技领域媒体笔下的头条人物。事隔一个多月,英伟达亮相Esri中国用户大会,再次与媒体分享了NVIDIA Quadro虚拟数据中心工作站软件(Quadro vDWS)及宣布开放Holodeck 抢先体验版。
我们知道,一直以来,图形加速都是英伟达最擅长的地方。据介绍,此次的Quadro vDWS可以将NVIDIA Tesla GPU加速服务器变身为强大的工作站,为IT部门提供所需的资源,以满足企业级虚拟办公环境的需求。
会上,NVIDIA云计算总监马庆胜首先介绍了Quadro vDWS,他认为,在如今的云计算变革时代,我们的工作与生活都已经融入了云计算技术,且得到了企业级关键业务领域的高度认可,而在虚拟化与云计算的大环境下,对图形的要求也逐渐提高。
NVIDIA Quadro给Tesla GPU不一样的体验
英伟达GPU虚拟化技术经过多年的发展,从技术、产品本身伴随着GPU硬件提升,实现GPU在全系统产品上的支持。更关键的是,解决技术的同时,也融入了管理,使得IT在背后的部署使用更加便捷。这也与英伟达的市场定位息息相关。
据马庆胜介绍,NVIDIA的GPU虚拟化平台包括硬件、软件和服务,更关键的则是软件,通过软件使得GPU或CPU加速更好发挥其作用,实现无与伦比的体验。值得一提的是,Quadro vDWS可用于来自33个系统供应商的120多个系统,为基于同一GPU的多位企业级用户提供高端的性能,从而降低拥有成本。
除此之外,Quadro vDWS可为遍布全球的团队赋予更高的移动性和协作能力。它还能处理越来越多与3D、照片级逼真的渲染、虚拟现实和深度学习等新技术相关的计算密集型工作流程,这些工作流程涉及的数据大小和复杂性均呈指数级增长,在工程和科学领域特别常见。
那么,为什么会命名为vPC及vDWS?马庆胜表示:"其实这样更容易让用户解释,我们通过软件定义来定义GPU虚拟化是针对于哪种场景,如果提PC主要针对PC场景,如果提工作站,更多体现的由是工作站环境下所需方案。英伟达的软件是通过vPC、vDWS体现出对软件整体的区分。"
NVIDIA Holodeck为用户实现无与伦与的VR环境
在此次发布会上,除Quadro vDWS之外,英伟达也宣布开放Holodeck 抢先体验版。现场,NVIDIA中国区虚拟现实业务开发及销售经理张武向媒体介绍了Holodeck的构建背景。他总结了三个行业对VR环境的需求较为迫切:
一、电影拍摄环境。传统3D设计在纯CG电影拍摄环境中,导演无法运用镜头进行第一人称拍摄,假如带着VR头盔去CG环境进行设计,随着各个角度,光影的变化,导演看到的第一视角既是镜头的视角。
二、传统汽车制造行业。在VR的配合下,汽车可以第一时间感受材质、光照、内饰以及驾驶位置摆设。
三、建筑设计行业。在VR环境中,设计师可以1:1构建虚拟建设环境,并且可以随时进行编辑和修改。
可以看出,VR对于部分行业的改变是显而易见。同时,由于设计师对设计平台要求的不断提升,VR的设计门槛也在逐步提高。而针对目前行业面临的挑战,Holodeck环境可以帮助创意工作者通过将高保真、全分辨率的模型导入虚拟现实系统,实现与同事或朋友展开协作和共享,让设计决策流程变得更加轻松且快捷。
张武介绍到,全新Holodeck主要应用了英伟达的VRWorks、DesignWorks和GameWorks这三项来支撑照片级的效果。其中,VRWorks主要用来优化图形、图像渲染,而DesignWorks和GameWorks主要是优化光照和光影表达。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。