近日,为更好地推动国内Arm PC生态的发展,加深芯片、IP、操作系统间的产业链配合,此芯科技正式加入deepin社区,并联合安谋科技和deepin共建Arm PC SIG (Special Interest Group),进一步推动Linux桌面操作系统在Arm平台上的生态繁荣和技术创新。
Arm PC生态欣欣向荣
Arm架构于2021年正式进入了Arm v9时代,开启了新的十年征程,来满足行业对功能日益强大的安全、AI和无处不在的专用处理的需求。Arm v9架构的推出给PC市场带来了新的活力,同时也激发了整个Arm PC产业链的新需求。
首先,随着Arm PC的不断发展,Arm PC启动架构标准化的需求应运而生。特别是在固件层面,UEFI与ACPI作为硬件平台与操作系统间的标准接口,需要多方共同适配优化,进而完善当前标准,这将进一步缩短Arm PC整机研发的调试周期,有助于整机厂商快速推出基于Arm CPU的整机产品,加速Arm PC的使用普及与生态壮大。
其次,对于Linux桌面操作系统而言,图形能力至关重要。OpenGL作为标准的图形库,在Linux生态中占据重要地位,同时需要产业链共同协作优化,进而提升GPU与操作系统的适配度,充分发挥GPU特性,为应用、游戏开发者降低开发、适配工作量,也为Arm PC使用者提供更优秀的视觉体验。
另外,人工智能在手机、IoT等终端设备中已经得到了充分的应用,在PC领域的应用也变得越来越广。视频会议、图片处理、语音助理、视频处理等应用场景,对产品的性能、实时性等的要求越来越高,迫切需要专用的NPU处理器和软件框架来提供更高效的端侧AI处理能力,降低CPU、GPU负载与功耗。
Arm PC SIG蓄势待发
近期此芯科技在Arm v9 平台上成功运行了deepin内核,并且支持UEFI+ACPI标准启动架构。随着deepin社区Arm PC SIG的建立,此芯科技将与安谋科技以及deepin社区一道,基于此芯科技硬件平台,围绕CPU+GPU+NPU的融合创新, 在deepin社区进一步加深合作。
1. CPU层面,Arm PC SIG将共同完善和优化Arm v9架构在此芯科技产品上的相关特性,以及ACPI的支持,为操作系统的启动与硬件平台功能调用进行基础能力支撑。
2. GPU层面,Linux桌面图形栈的支持也是后续Arm PC SIG的一个合作重点,包括Wayland/XWayland窗口系统,OpenGL典型应用支持等等,为更多应用的适配做好准备工作。
3. NPU层面,当前AI在Linux桌面操作系统上的支持还比较有限,Arm PC SIG将推动Linux桌面操作系统对AI软件框架和应用的支持,并充分发挥此芯科技智能芯片的处理能力,一同探索PC NPU新场景,为用户带来更好的产品体验。
此芯科技希望通过新成立的Arm PC SIG,遵循开放兼容的原则,协同deepin社区伙伴共同开发和维护deepin在Arm平台上的支持,解决社区用户反馈的问题,打造Linux桌面操作系统和CPU/GPU/NPU等融合发展的创新生态。欢迎更多的厂商和社区开发者加入进来,合作共赢!
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。
这项研究揭示了大型语言模型(LLMs)偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法,不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域(从一般问答到安全评估),分析了12种偏好机制,发现人类评判者重视权威性和清晰度,而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好,还能清晰解释判断过程,为构建更透明、更符合人类价值观的AI系统提供了新途径。