如果说在CES 2024上有哪些技术万众瞩目,那么毫无疑问便是如巨浪一般强势席卷全场的AI PC。
作为AI界的“扛把子”,NVIDIA毫无疑问没有缺席这场“潮头”。无论是炫目的RTX GPU到前沿的软件应用,还是创新的开发工具,这些几乎均与高性能生成式AI功能相关的新产品新技术,正让NVIDIA以一种“披着AI光环”的姿态轰然登场,再次描绘着科技世界的边界。
来源:NVIDIA官网
GeForce RTX SUPER GPU有多快?快得让你眼花缭乱!
NVIDIA新推出的 GeForce RTX SUPER GPU,不仅是PC上体验AI的极致选择,它专用的AI Tensor Core更是“性能怪兽”,达到了惊人的836 AI TOPS。这意味着无论是游戏、内容创作还是日常的生产力任务,AI的能力都得到了革命性的提升。
那么,基于RTX GPU构建的丰富软件堆栈,又如何能够进一步推动AI的加速?NVIDIA的TensorRT作为专门针对高性能深度学习推理的软件,其深度学习推理优化器和运行时环境,可以为推理应用程序提供低延迟和高吞吐量。
而对于那些最新的大型语言模型,TensorRT-LLM for Windows这一开源库则将其推理性能提升至一个新的水平。
从实际表现上看,在AI工作负载中,GeForce RTX 4080 SUPER在视频生成速度上比RTX 3080 Ti快了1.5倍,图像生成速度更是快了1.7倍。对于游戏爱好者来说,AI驱动的DLSS技术将游戏的沉浸感提升到了一个新的层次,让玩家仿佛置身于游戏世界之中。
对于那些如Photoshop用户等较为依赖生成性AI应用程序的创意工作者而言,Tensor Core的加速功能还能助力其提高生产力,保持创意工作流程的流畅性。同时,NVIDIA Broadcast能够消除背景噪音,并提供无缝的虚拟背景,真正实现了高效而清晰的通信。
事实上,这些突破性的技术创新,正改变着传统PC的使用方式,更能在AI领域中开辟新的可能性。
解锁AI潜力 GeForce RTX“超级战队”加入“战场”
如果说,要在Windows PC上展现AI的潜力,那么布局游戏毫无疑问是一个明智的选择。这一次,GeForce RTX SUPER GPU更是带着其超强的性能,以三位超级英雄的姿态,加入战场,为游戏玩家带来前所未有的算力体验。
“4K巨兽”——GeForce RTX 4080 SUPER
GeForce RTX 4080 SUPE以4K分辨率提供了全光线追踪的游戏体验,让游戏世界的细节和真实感达到了新的高度。与GeForce RTX 3080 Ti相比,在没有DLSS帧生成的情况下,RTX 4080 SUPER快了1.4倍,这简直是传统光栅化性能的一场革命。
而GeForce RTX 4080 SUPE那强大的836 AI TOPS加上DLSS帧生成,让它的速度比RTX 3080 Ti快了整整两倍。更多的核心和更快的内存,让它在性能上占据了绝对优势。
“精确大师”——GeForce RTX 4070 Ti SUPER
GeForce RTX 4070 Ti SUPER拥有1440p超高帧率游戏的理想选择,同时也完美支持4K。
比起RTX 4070 Ti,它拥有更多的核心和16GB的帧缓冲区,以及一个256位的内存总线,将内存带宽大幅提升至672 GB/秒。
相比之下GeForce RTX 4070 Ti SUPER比RTX 3070 Ti快了1.6倍,使用DLSS 3后更是快了2.5倍。
“完美平衡家”——GeForce RTX 4070 SUPER
比起RTX 4070,GeForce RTX 4070 SUPER多了20%的核心,让其性能超越了RTX 3090,而功耗却只是一小部分。使用DLSS 3后,其领先优势扩大到1.5倍。
官方消息显示,GeForceRTX 4080 SUPER,1月31日开始销售,价格999(美元) ;GeForce RTX 4070 Ti SUPER,1月 24日开始销售,价格799(美元);GeForce RTX 4070 SUPER,1月17日开始销售,价格599(美元)。
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。