借去年NVIDIA Jetson边缘AI设备扩展之势,NVIDIA Jetson Orin NX 16GB模块现已在全球上市。
Jetson Orin NX 16 GB模块具有无与伦比的性能和效率,适用于小型低功耗机器人和自主机器,因此是无人机、手持设备等产品的不二之选。该模块可以轻松用于制造、物流、零售、农业、医疗和生命科学领域的先进应用,并采用高度紧凑而节能的封装。
该模块是尺寸最小的Jetson,但却能够提供高达100 TOPS的AI性能,功率可在10 W至25 W之间调节。它为开发者提供了NVIDIA Jetson AGX Xavier的3倍性能和NVIDIA Jetson Xavier NX的5倍性能。
这款系统模块采用NVIDIA Ampere架构GPU、新一代深度学习和视觉加速器、高速I/O以及快速内存带宽支持多个AI应用流程。您能在自然语言理解、3D感知和多传感器融合方面使用更大、更复杂的AI模型开发解决方案。
NVIDIA使用NVIDIA JetPack 5.1运行了一些计算机视觉基准测试,展示了其性能上的巨大飞跃。测试中运行了NGC的一些密集INT8和FP16预训练模型,并且为了进行对比,也在Jetson Xavier NX上运行了同样的模型。
以下是完整基准测试列表:
这些基准测试的几何平均值表明,Jetson Orin NX的性能与Jetson Xavier NX相比提升了2.1倍。随着未来软件的优化,预计两者在密集型基准测试中的性能差距将扩大到接近3.1倍。其他Jetson设备的性能自首次发布配套软件以来提高了1.5倍,预计Jetson Orin NX 16 GB也是如此。
Jetson Orin NX还提供了对稀疏性的支持,这将进一步提升性能。您可以利用深度学习网络中的细粒度结构化稀疏性来提高Tensor Core的运行吞吐量。
图1:计算机视觉预训练模型基准测试
所有Jetson Orin模块都运行全球标准的NVIDIA AI软件堆栈。在服务和产品生态系统的支持下,您的产品将以前所未有的速度上架。同样于今天发布的NVIDIA JetPack 5.1支持Orin NX 16 GB和Jetson Orin上的最新CUDA-X堆栈。
另外,Jetson合作伙伴生态系统支持Jetson Orin NX 16 GB模块的各种载板和外设,如传感器、摄像头、连接模块(5G、4G、Wi-Fi)等。
选件包括:
NVIDIA Jetson AGX Orin开发者套件现在也已上市。该套件支持整个Jetson Orin模块系列的软件仿真,其中包括Jetson Orin NX 16 GB模块。
现在就开始使用Jetson AGX Orin开发者套件。
您可在Jetson下载中心获取并阅读NVIDIA Jetson Orin NX文档。更多信息和支持,请参见NVIDIA嵌入式开发者页面和Jetson论坛。
Jetson Orin NX 16 GB现已上市。中国购买渠道链接:
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。