为应对低至2纳米的先进制程上高度复杂移动芯片设计挑战,新思科技近日宣布,基于Arm 2023全面计算解决方案(TCS23),加强双方在人工智能增强型设计方面的合作。针对Arm的全新计算平台,新思科技提供了经优化的EDA和IP全方位解决方案,包括Synopsys.ai全栈式人工智能驱动型EDA解决方案、新思科技接口和安全IP、以及新思科技芯片生命周期管理PVT IP,助力Arm实现业界领先的性能和功耗。这些成果建立在双方数十年长期合作的基础之上,可加速共同客户为高端智能手机和虚拟/增强现实应用提供高性能、高能效的Arm架构SoC。
新思科技EDA(电子设计自动化)事业部总经理 Shankar Krishnamoorthy表示:“在先进的移动设备上不断增加新功能并持续优化性能和能效,意味着设计挑战成倍地增加。我们携手Arm优化EDA和IP全方位解决方案,有助于我们的共同客户应对设计、IP集成、验证、软件开发等日益严峻的多裸晶系统集成挑战。把Synopsys.ai EDA解决方案引入双方的合作开启了一个全新阶段,意味着新思科技和Arm作为半导体领军企业将整合各自的优势,帮助共同客户加速实现基于Arm架构的SoC设计。”
Arm高级副总裁兼终端事业部总经理Chris Bergey表示:“新的Arm 2023全面计算解决方案在设计阶段就将系统纳入考量,提供了一套针对特定市场的技术,以助力客户实现下一代视觉计算体验所需的计算性能。通过我们与新思科技的合作,以及其全栈式人工智能驱动型EDA解决方案和经过流片验证的IP解决方案,客户现在能够更进一步地提升产品性能,并充分发挥先进制程的优势。”
更高的设计质量,更快的周转时间
新思科技全方位解决方案提供一流的差异化功能,如多源时钟树综合、智能预算、时序驱动引脚分配、无缝约束下推和透明层次优化,可应对高性能内核层次化实现的复杂系统级挑战,同时实现性能、功耗和运行时间方面的目标。
新思科技为Arm 2023全面计算解决方案提供系统级的解决方案,包括:
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。