辞旧迎新之际,海云捷迅凭借自身在开源云技术、FPGA(泛人工智能)领域自主研发积累,完成RISC-V在FPGA(自主研发)上成功部署。于2021年12月正式成为中国开放指令生态(RISC-V)联盟会员单位,参与并支持RISC-V生态建设。
中国开放指令生态(RISC-V)联盟(英文缩写为CRVA,以下简称“联盟”)旨在召集从事RISC-V指令集、架构、芯片、软件、整机应用等产业链各环节企事业单位及相关社会团体,自愿组成一个全国性、综合性、联合性、非营利性的社团组织。联盟将围绕RISC-V指令集,以服务人类命运共同体为使命,以促进开源开放生态发展为目标,以重点骨干企业、科研院所为主体,整合各方资源,通过产、学、研、用深度融合,力图推动协同创新攻关,促进RISC-V相关技术和产品应用推广,探索体制机制创新,推进RISC-V生态在国内的快速发展,从而使我国尽快摆脱核心芯片设计、知识产权、工艺技术等受制于人的不利局面。
作为近年来开源芯片技术的突出代表,RISC-V开放指令集体系结构已受到国内外各领域的广泛关注。RISC-V是一种基于精简指令集计算(RISC)设计原则的开放指令集架构(ISA),经历十余载发展,随着具有开源优势、更佳效能功耗比、可靠安全功能, RISC-V发展到逐渐被认为是能够与X86、ARM形成三足鼎立格局的指令集架构。自2018年,RISC-V已在国内受到广泛关注,中国企业正在借助RISC-V的开源潜力推动中国高端芯片产业的发展。
海云捷迅基于十多年的技术积累,从2017年开始将“云计算+AI+FPGA”作为公司的核心战略。同时,海云捷迅与上百所国内高校开展高层面、多维度合作,合作领域包括人工智能专业建设、师资培训、FPGA+人工智能人才培养、AI+FPGA教学实验平台建设、教育部协同育人项目合作、教育部科技发展中心产学研基金项目合作等,全面助力高校FPGA和人工智能相关专业课程体系及人才培养支撑平台的建设,加速FPGA产业发展及技术的落地。
RISC-V处理器和FPGA的生态环境非常匹配,RISC-V的出现恰好给FPGA新的选择和发展方向,包括SoC FPGA发展、实现软硬件都可编程以及拓宽FPGA应用领域,其必将会在SoC FPGA生态里面发挥重要作用。在此背景下,以及在中国科学院计算技术研究所的大力支持下,海云捷迅不懈攻关,于2021年实现了RISC-V处理器在FPGA上的成功部署,并正确控制其外设功能,踏出了在“RISC-V+FPGA”发展道路上的第一步。此后,海云捷迅还将持续发力RISC-V技术研发应用以及人才培养工作。
这次成功加入中国开放指令生态(RISC-V)联盟的会员单位,非常感谢行业对海云捷迅综合能力的肯定。对于中国开放指令生态(RISC-V)联盟而言,海云捷迅的加入再次集聚了RISC-V创新力量,丰富了中国RISC-V 发展的路线图。同时,还可以推动海云捷迅与联盟会员间的协同发展、建立长效合作机制。
海云捷迅加入中国开放指令生态(RISC-V)联盟后,将与联盟成员一起,共同助推RISC-V产业生态的建设,推动中国智能产业发展,提升中国企业在RISC-V 指令集创新、标准制定中的影响力,且抓住RISC-V这一难得的历史机遇,形成有效的产学研合作机制、共性技术协作开发机制、知识产权合作机制等长效机制,在新的技术变革中实现产业的全面提升。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。