在推出首批10纳米芯片两个月之后,英特尔于今天推出了Tremont系列CPU,进一步扩大的用户的选择。
Tremont是一款优先考虑效率而不是性能的低功耗系统,主要面向硬件合作伙伴的移动设备、物联网小工具以及某些数据中心硬件例如网络系统。
Tremont芯片家族发布的首批产品之一,是微软数周前发布的Windows双屏平板电脑Surface Neo。英特尔表示,Tremont将在取得成功的上一代Goldmont Plus处理器系列基础上带来重大改进。英特尔称,Tremont芯片的单线程性能提高多达30%,而且电源效率更高。
其中一部分性能提升来自于该季度CPU内置了升级的分支预测机制。该技术让处理器可以查看操作的可能结果,猜测最可能的结果,并预先执行部分计算,从而加快任务的执行。
Tremont另外一个亮点是支持英特尔Foveros技术。Foveros可以将多种类型的芯片组合在一个模片上,从而将组件混搭到高度专业化的处理器中。微软Neo平板电脑就是将Tremont芯片与基于Ice Lake架构的处理内核结合在一起。
Tremont系列首席架构师Stephen Robinson表示:“Tremont是迄今为止英特尔最先进的低功耗x86架构,我们专注于各种现代的复杂的工作负载,同时考虑了网络、客户端、浏览器和电池,以便我们可以有效地全面提高性能。”
Tremont瞄准的是一个艰难的市场。英特尔竞争对手Arm的处理器设计主导了移动领域,并且覆盖了从智能家电到无人机的数百万个其他低功耗系统。Arm在本周早些时候发布了一系列新的移动芯片,其中包括两款专门针对运行机器学习模型而优化的神经处理单元。
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。