在今天于加利福尼亚州圣克拉拉市举行的Linley秋季处理器大会上,英特尔披露了首个Tremont微架构的细节。作为英特尔最新和最先进的低功耗x86 CPU架构,Tremont提供的性能较前代产品显著提升。
英特尔Tremont首席架构师Stephen Robinson表示:“Tremont是英特尔迄今为止最先进的低功耗x86架构。我们着眼于一系列现代化复杂工作负载,同时兼顾联网、客户端、浏览器、电池等因素,以全面高效地提升性能。它是一款专为提升紧凑型低功耗系列产品的处理能力而设计的世界级CPU架构。”
相比英特尔前一代低功耗x86架构,Tremont新一代低功耗x86微架构的IPC(每周期指令数)显著提升。Tremont专为提升紧凑型低功耗系列产品的处理能力而设计,采用该架构的处理器将助力实现客户端设备的新一代外形创新、物联网领域的创造性应用以及高效的数据中心产品等等。
这款架构将同时整合英特尔庞大IP产品组合中的其他技术,以支持新一代产品。借助英特尔Foveros 3D封装技术,Tremont可在Lakefield中整合更多硅IP,从而助力打造诸如近期发布的微软双屏Surface Neo这样的突破性创新设备。
高性能架构是芯片抓取和处理数据的基础。低功耗解决方案对于实现更小外形设计的新用例至关重要。
英特尔Tremont在ISA(指令集架构)、微架构、安全性、电量管理等方面均有所提升。其IPC(每周期指令数)相比前一代低功耗x86架构显著提升,将成为开发新一代跨客户端、物联网和数据中心领域产品的一流架构。Tremont具有独特的6路前置集群(双3路集群)乱序执行处理单元可以更高效地为后端提供高吞吐量,这对性能来说极其重要。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。