近日,亚马逊云科技(AWS)宣布推出Amazon EC2 R7iz实例的私人预览版,该实例采用代号为Sapphire Rapids的第四代英特尔®至强®可扩展处理器。
R7iz实例提供高达3.9 GHz的全核睿频频率,与类似的高频率EC2实例相比,该实例的性能提升最高可达20%。基于第四代英特尔®至强®可扩展处理器和AWS Nitro系统,R7iz实例能够提供含专用硬件和轻型虚拟机管理程序的组合,在降低总体成本的同时,实现性能和安全性的大幅提升。
基于此,客户能够进一步提升计算密集型和内存密集型工作负载的性能,如电子设计自动化(EDA)、单核授权费极高的关系数据库工作负载,以及金融、精算和数据分析模拟工作负载。
为满足客户对更高内存和可扩展性的需求,R7iz实例提供多种规模,拥有最多达128个虚拟中央处理器(vCPU)和最高1,024 GB内存,最高可达类似高频率实例的2.6倍。作为第一个采用DDR5内存且基于x86的EC2实例,与类似的高频率实例相比,R7iz可提供最高可达2.4倍的内存带宽。
英特尔公司副总裁兼至强产品部总经理Lisa Spelman表示:“数据中心客户非常期待产品能够满足日益增长的需求,并在实现数据商业价值最大化的同时降低总体成本。而AWS打造的全新实例,则基于具备更高性能和安全性的第四代英特尔®至强®可扩展处理器,能够满足最严苛的工作负载需求。”
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。