性能改进持续推动车载应用发展,提升驾驶员体验
存储器解决方案的全球领导者铠侠株式会社宣布,该公司已开始提供业界首款(2)面向车载应用的通用闪存(3)(UFS)4.0版嵌入式闪存设备的样品(1)。新产品性能高,采用小型封装,提供快速的嵌入式存储传输速度,适用于多种新一代车载应用,诸如车载远程信息处理系统、信息娱乐系统以及ADAS系统(4)。铠侠车载UFS产品的性能显著提升(5),顺序读取速度提升约100%,顺序写入速度也提升约40%。通过性能提升,相关应用能够更好地利用5G连接的优势,带来更快的系统启动速度和更优质的用户体验。
作为首家推出UFS技术(6)的公司,铠侠持续推动着这项技术的发展。其新型UFS 4.0设备将公司创新的BiCS FLASH™ 3D闪存和控制器集成在JEDEC标准封装中。UFS 4.0采用MIPI M-PHY 5.0和UniPro2.0技术,支持每条通道高达23.2Gbps或每个设备高达46.4Gbps的理论接口速度。铠侠车载UFS 4.0同样能够兼容UFS 3.1。
新产品支持高速链路启动序列(HS-LSS)功能,设备和主机之间的传输链路启动(M-PHY和UniPro初始化序列)能够以快于传统UFS的HS-G1 Rate A(1248Mbps)执行。与传统方法相比,预计这将使链路启动时间缩短约70%。
全新的UFS 4.0设备搭载多项高级特性和功能,以满足车载应用的严苛需求,其包括:
全新的UFS系列可提供128GB、256GB和512GB三款不同容量的产品,并支持宽温度范围,符合AEC(7)-Q100 Grade2要求,并针对复杂的车载应用增强了可靠性。
注:
(1) 样品规格可能因量产部件而异。
(2) 截至2024年1月30日。铠侠调查。
(3) 通用闪存(UFS)是根据JEDEC UFS标准规范建立的一类嵌入式存储产品的产品类别。凭借串行接口,UFS支持全双工通讯,使得主机处理器和UFS设备之间可以同时进行读和写。
(4) 高级驾驶辅助系统
(5) 与铠侠上一代512GB设备“THGJFGT2T85BAB5”相比。
(6) 铠侠的首批样品已从2013年2月8日开始出货。
https://www.kioxia.com/en-jp/business/news/2013/20130208-1.html
(7) 由汽车电子协会(AEC)定义的电气组件资格要求。
* MB/s按1,000,000字节/秒计算。读写速度是铠侠株式会社在特定测试环境中获得的最佳值,铠侠株式会社不保证单个器件的读写速度。读写速度可能会因使用的器件和读取或写入的文件大小而异。
* 在每次提及铠侠产品:产品密度是根据产品内的内存芯片密度来确定的,而不是最终用户可用于数据存储的内存容量。消费者可使用的容量会因开销数据区域(overhead data areas)、格式化、坏块和其他限制而变少,而且也可能因主机设备和应用程序而变化。如需了解详情,请参考适用的产品规格。根据定义,1KB = 2^10字节 = 1,024字节;1Gb = 2^30比特 = 1,073,741,824比特;1GB = 2^30字节 = 1,073,741,824字节;1Tb = 2^40比特 = 1,099,511,627,776比特。
* 所有公司名称、产品名称和服务名称可能是其各自公司的商标。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。