英特尔推出两款全新英特尔锐炫Pro图形显卡;搭载英特尔锐炫Pro A40图形显卡的系统现已出货。
全新发布:英特尔今日宣布英特尔锐炫™ Pro A系列专业级图形显卡新增两款产品——英特尔锐炫™ Pro A60和Pro A60M。上述两款产品的性能在现有英特尔锐炫Pro系列的基础上更进一步,为专业级工作站用户精心设计,具备高达12GB的显存(VRAM),并支持4个具有HDR和杜比视界™的显示屏。
凭借内置的光线追踪硬件、图形加速器和机器学习功能,英特尔锐炫 Pro A60图形显卡采用传统的单插槽形式,集流畅的视口、新型视觉技术和丰富的内容创作功能于一身。
性能亮点:英特尔锐炫Pro A系列图形显卡为工作站显卡领域提供了新选择。英特尔锐炫Pro A60和A60M具有16条PCIe通道、384 GB/s的显存带宽、256个专用AI Xe矩阵扩展(XMX)引擎,以及16个光线追踪单元,均为此前发布的英特尔锐炫Pro图形显卡的两倍。此外,它们还支持包括AV1在内的完整媒体编解码特性。这些优势使得英特尔锐炫Pro图形显卡非常适合计算机辅助设计和建模(CAD/CAM)、AI推理以及一些商业环境中的媒体处理工作负载。
不仅如此,英特尔锐炫Pro图形显卡也获益于英特尔每个季度规律发布的新驱动所带来的性能优化,并通过了建筑、工程和施工、设计和制造等行业领先的工作站软件应用认证1 ,包括:
• Autodesk 3ds Max
• Autodesk AutoCAD
• Autodesk Fusion 360
• Autodesk Inventor
• Autodesk Maya
• Bentley MicroStation
• Dassault Systèmes SOLIDWORKS
• Nemetscheck VectorWorks
• PTC Creo
• Siemens NX
• Siemens Solid Edge
英特尔的工作站图形显卡还针对Blender等媒体和娱乐软件进行了优化,并且,通过在英特尔® oneAPI渲染工具包内运行渲染和光线追踪库,其还能够规模化地打造高性能、高保真的视觉体验。
面市情况:面向台式工作站的英特尔锐炫Pro A60图形显卡将在未来几周通过英特尔授权分销商面市,面向移动系统的英特尔锐炫Pro A60M图形显卡将在未来几个月通过OEM合作伙伴面市。惠普现已推出搭载英特尔锐炫Pro A40图形显卡的工作站,戴尔和联想预计将在2023年第三季度推出相关产品。
英特尔锐炫Pro图形显卡系列还经过验证,可用于搭载125W未锁频第13代英特尔®酷睿™处理器的英特尔® NUC 13 Extreme迷你电脑中。
[1] Some certifications currently in progress. See certified graphics hardware and drivers for details.
[1] 一些认证尚在进行中。详情参见经过认证的显卡硬件和驱动程序。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。