设计和生产力应用中的AI集成正在成为新的标准,推动了对先进计算性能的需求。这意味着无论他们项目的规模、复杂程度或范围如何,专业人士和创作者都需要运用更强大的算力。
为了满足这一日益增长的需求,NVIDIA推出两款基于NVIDIA Ampere架构的全新台式机GPU——NVIDIA RTX A400和NVIDIA RTX A1000,丰富了RTX专业显卡产品阵容。
这两款产品让更多人能够用上AI和光线追踪技术,为专业人士提供了改变日常工作流所需的工具。
一个追求创意、性能和效率的新时代
RTX A400 GPU为RTX 400系列GPU带来了加速光线追踪和AI。它借助24颗用于AI处理任务的Tensor Core,超越了传统的CPU解决方案,使专业人士能够直接在桌面上运行智能聊天机器人和copilot等前沿AI应用。
借助该GPU的实时光线追踪功能,创作者可以创造出生动且物理精确的3D渲染效果,突破创意和逼真度的边界。
A400还具有四路显示输出,首次在该系列中出现,使其适用于对金融服务、指挥控制、零售、交通运输等行业至关重要的高密度显示环境。
NVIDIA RTX A1000 GPU是首款带有Tensor Core 和RT Core的RTX 1000系列GPU,它为创作者和专业人士带来了加速AI和光线追踪性能。
凭借72颗Tensor Core,A1000的性能较上一代产品大幅提升,能够将Stable Diffusion 等工具的生成式AI处理速度提高3倍以上。而18颗RT Core可将图形和渲染任务的速度提升多达3倍,加速如2D和3D计算机辅助设计(CAD)、产品和建筑设计以及4K视频剪辑等专业工作流。
A1000在视频处理方面的表现也十分出色。与上一代产品相比,其编码流处理能力提高了38%,解码性能提高了2倍。
A400和A1000 GPU采用简洁的单插槽设计,功耗仅为50W,能够为紧凑型节能工作站带来强大的功能。
扩大RTX的影响力
这两款全新GPU为用户带来先进的AI、图形和计算能力,大幅提升其生产力的同时释放创造力。带有光线追踪渲染和AI功能的高级工作流现在变得触手可及,让专业人员能够突破界限,实现惊人的逼真度。
工业规划人员可以利用这些强大、高能效的新型计算解决方案实现边缘部署。创作者可以提高编辑和渲染速度,制作出更加丰富的视觉内容。建筑师和工程师可以将3D CAD概念图中的创意无缝转换成实际设计。在智能空间工作的团队可以借助这两款GPU在有限的空间中实现实时数据处理、利用AI提高安全和落实数字标牌管理。医疗专业人员可以更加快速、精准地分析医学影像。
金融专业人士需要依靠宽大、高分辨率的视觉工作空间以提高交易、分析和数据管理的效率。RTX A400 GPU原生支持多达四台4K显示器,金融服务领域的用户现在可以借此使用更少的GPU实现更高的显示密度,简化办公桌面设置并降低成本。
新一代功能和加速性能
NVIDIA RTX A400和A1000 GPU具有能够为日常工作流提供超强助力的功能,包括:
供货情况
NVIDIA RTX A1000 GPU现已通过PNY、Ryoyo Electric等全球分销合作伙伴提供。RTX A400 GPU有望于5月开始通过渠道合作伙伴提供,预计将于今年夏季通过制造商提供。请与这些 NVIDIA 合作伙伴联系,了解具体的供应地区、配置详情和供应情况。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。