Nvidia近日宣布面向专注于人工智能的服务器推出下一代以太网网络技术,并表示,戴尔、HPE和联想将率先将这种技术集成到他们的产品中。
Nvidia表示,此次推出的Spectrum-X技术是专为AI工作负载设计的,能够为AI通信提供比传统以太网高1.6倍的网络性能。
戴尔、HPE和联想公布的新服务器产品将Spectrum-X与Nvidia最强大的H100 Tensor Core GPU以及AI Enterprise和AI Workbench软件相结合。据称,这些厂商将为那些想要实施最先进生成式AI模型的企业提供了完整的方案。
据Nvidia称,Spectrum-X将结合最新的Spectrum-4以太网交换机高速性能与Nvidia BlueField-3 SuperNIC(如图所示),后者是一种新型网络加速器,旨在加速AI工作负载以及加速软件。据称,该技术是对Nvidia BlueField-3 数据处理单元的补充,这种数据处理单元是一种卸载、隔离、加速和保护数据中心服务的处理器,可以释放GPU资源以专注于AI处理。
Nvidia表示,Spectrum-4是首款每秒51太比特的以太网交换机,旨在确保大规模和高负载下尽可能高的数据吞吐量,以最大限度地减少网络拥塞。这么做是必要的,因为AI工作负载必须处理大量数据。通过添加微调的路由软件,它可以确保以最佳方式使用网络基础设施。
至于BlueField-3 SuperNIC,它可通过融合以太网以高达每秒400 GB的远程直接内存访问速度连接集群内的每个AI服务器。Nvidia表示,这将对AI训练和推理系统的性能产生显着影响。另一个好处是高安全性,因为BlueField-3 SuperNICS创建了一个安全的多租户数据中心环境,可以隔离每个工作负载。
Nvidia表示,戴尔、HPE和联想的新系统将于明年第一季度上市。
Nvidia公司创始人、首席执行官黄仁勋强调了加速网络框架的重要性,称它是“Nvidia领先服务器制造商合作伙伴新一波AI系统的催化剂,可加速向生成式AI时代的转变。”
HPE公司首席执行官Antonio Neri解释了这项新技术背后的想法,称生成式AI需要完全不同的网络架构来支持各种动态工作负载。他表示,为了让客户能够发挥AI的潜力,“HPE正在与Nvidia合作,构建具有所需功能、效率和可扩展性的系统来支持这些应用”。
Spectrum-X目前已经安装在Nvidia Israel-1超级计算机上,对于那些想要在本地环境中构建下一代AI系统的公司来说可以把这种超级计算机作为他们的参考架构。Israel-1系统使用戴尔的PowerEdge XE9680服务器构建,支持Nvidia的HGX 100平台,该平台具有8个GPU、BlueField-3 DPU和带有Spectrum-4交换机的SuperNIC。
戴尔公司董事长、首席执行官Michael Dell表示:“通过我们的合作,戴尔和Nvidia正在为客户提供快速地、安全地从数据中提取情报所需的基础设施和软件。”
据称,戴尔的网络加速软件可以进一步提高性能,提供对Cumulus Linux、Pure SONiC和NetQ等软件开发套件以及位于BlueField芯片核心的Nvidia DOCA软件框架的访问路径。AI Enterprise打包了数十种主流的AI框架、预训练模型和开发工具,AI Workbench则提供了用于在PC或工作站上自定义AI模型的工具。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。