Peneliti Nvidia N. Horrocks memperkenalkan model error detektor ekstensi (EDEMs) yang dirancang untuk menangani program kuantum toleran kesalahan dengan sirkuit stabilizer dan error Pauli stokastik. Model-model ini memungkinkan analisis error disusun secara berurutan dan paralel, mencerminkan struktur realisasi sirkuit fisik.
Peneliti mengusulkan Onyx, pendekatan hemat biaya untuk pencarian tetangga terdekat aproksimasi (ANN) disk-oblivious yang menyeimbangkan bandwidth dan jumlah akses dengan membalik desain sistem ORAM-ANN terkini.
Para peneliti memperkenalkan Privatar, sebuah kerangka kerja yang memindahkan rekonstruksi avatar dari headset ke perangkat lokal yang tidak dipercaya sambil melindungi terhadap penyadapan data. Sistem ini memanfaatkan pengetahuan spesifik domain tentang rekonstruksi avatar untuk mencapai offloading yang terbukti privat dengan biaya kinerja minimal.
Peneliti dari NVIDIA telah memperkenalkan GPIR, sebuah sistem yang mempercepat Private Information Retrieval (PIR) pada GPU dengan mengatasi komputasi sisi server dan lalu lintas memori tinggi yang melekat pada protokol berbasis kisi. Sistem ini menggunakan model eksekusi hibrida sadar tahap yang secara dinamis beralih antara kernel tingkat operasi dan tingkat tahap untuk memaksimalkan penggunaan kembali data di dalam chip.
Sebuah studi baru menyajikan karakterisasi terpadu tingkat sistem dari komputasi multipartai aman (MPC) dan enkripsi homomorfik sepenuhnya (FHE) untuk inferensi pembelajaran mesin yang melestarikan privasi. Pekerjaan ini mengevaluasi dua varian MPC — konversi pembagian aritmatika/biner dan pembagian rahasia fungsi — bersama dengan FHE di berbagai model CNN dan Transformer.
Sebuah makalah posisi oleh peneliti NVIDIA menguraikan visi untuk mengamankan agen AI dari serangan injeksi prompt tidak langsung, di mana instruksi berbahaya yang tertanam dalam data yang tidak tepercaya memicu tindakan berbahaya. Penulis berargumen bahwa pertahanan yang efektif memerlukan peralihan dari perbaikan model yang terisolasi ke arsitektur tingkat sistem yang komprehensif.
Anthropic merilis Claude Sonnet 5.5, yang menghasilkan output lebih dari 30% lebih cepat daripada Sonnet 5 dan mengurangi penggunaan token untuk memangkas biaya hingga 30% per tugas. AMD setuju untuk mengakuisisi World Labs seharga $8,2 miliar, membawa tim riset kecerdasan spasial Fei-Fei Li ke dalam perusahaan.
NVIDIA telah merilis Kumo Tabular, sebuah model dasar terbuka untuk klasifikasi dan regresi tabel yang beroperasi melalui pembelajaran dalam konteks tanpa memerlukan pelatihan atau rekayasa fitur. Dilatih secara eksklusif pada data buatan yang dihasilkan oleh Model Kausal Struktural, model ini tersedia dalam tiga ukuran dengan jumlah parameter berkisar dari 28M hingga 215M.
Holo4 adalah seri baru model agnostik dari H Company, tersedia dalam ukuran 27B dense dan 35B-A3B Mixture of Experts. Model-model ini berinteraksi dengan perangkat lunak melalui antarmuka apa pun—GUI, kode, MCP, atau API—dan berjalan di desktop, web, Android, dan sandbox menggunakan model yang sama.
Nvidia secara resmi mengumumkan niatnya untuk mengakuisisi platform pembelajaran mesin Hugging Face dalam kesepakatan senilai 12,9 miliar dolar.
Para peneliti telah mengembangkan pipeline pasca-pelatihan untuk model bahasa besar yang memungkinkan mereka mencapai kinerja tingkat medali emas dalam pemrograman kompetitif. Dengan menggabungkan penyetelan halus terawasi, pembelajaran penguatan, dan strategi baru berbasis umpan balik bernama GenCorrect, sistem ini mengungguli para kontestan manusia terbaik pada kumpulan soal IOI 2026.
NVIDIA telah mengembangkan pipeline pasca-pelatihan untuk model bahasa Nemotron-3-Nano-CC dan Nemotron-3-Ultra-CC-nya agar unggul dalam pemrograman kompetitif. Dengan menggabungkan kurasi masalah skala besar, jejak penalaran sintetis, penyetelan halus terawasi (supervised fine-tuning), dan pembelajaran penguatan, tim tersebut menciptakan sistem khusus yang mampu melakukan penalaran algoritmik tingkat tinggi.
NVIDIA telah mengembangkan pipa pasca-pelatihan untuk model bahasa Nemotron-3-nya, memungkinkan mereka mencapai kinerja tingkat medali emas di Olimpiade Informatika Internasional (IOI). Pendekatan ini menggabungkan kurasi masalah skala besar, jejak penalaran sintetis, penyetelan halus terawasi, dan pembelajaran penguatan.
Peneliti dari NVIDIA, MIT, dan Universitas Oxford telah memperkenalkan Physis-Lang, sebuah kerangka kerja yang meningkatkan model dunia video dengan mengintegrasikan bahasa fisik yang berevolusi secara mandiri ke dalam caption. Pendekatan ini memperlakukan bahasa fisik sebagai representasi yang dapat dioptimalkan untuk kurasi data, pelatihan model, dan inferensi guna memperbaiki kesalahan fisika pada video yang dihasilkan.
DeepSeek sedang melatih modelnya menggunakan perangkat keras Ascend 950 dari Huawei. Pergeseran ini mengikuti pernyataan dari Liang Wenfeng yang dibuat 26 bulan lalu mengenai kebutuhan seseorang untuk maju ke garis depan.
NVIDIA telah merilis model Nemotron-Labs-3-Competitive-Coding, seorang spesialis pemrograman kompetitif yang dihaluskan (fine-tuned) dari NVIDIA-Nemotron-3-Ultra-550B-A55B. Model ini dilatih pada jejak penalaran sintetis yang diperas (distilled) dari GLM-5.2 dan dievaluasi secara langsung pada kumpulan soal IOI 2026.
NVIDIA telah meluncurkan Platform Keamanan Agen Terbuka NVIDIA, sebuah platform perangkat lunak terbuka untuk keamanan agen AI yang menggabungkan runtime aman OpenShell dengan Sentry, sebuah pengawas out-of-band pada BlueField-4 DPUs. Sistem ini dirancang untuk mencegah "drift," yaitu mode kegagalan di mana agen menghindari kontrol lapisan aplikasi, dengan menempatkan penegakan keamanan di luar jangkauan agen.
NVIDIA telah merilis OpenShell, sebuah sandbox open-source yang dirancang untuk memberikan agen AI lokal dan terbuka batasan waktu eksekusi nyata daripada hanya mengandalkan aturan prompt. Perusahaan melaporkan bahwa lebih dari 100 firma telah bergabung dengan tumpukan keamanan ini, meskipun OpenAI tidak berpartisipasi.
NVIDIA telah merilis Nemotron 3 Diarization, model diarisasi pembicara dengan bobot terbuka yang tersedia di Hugging Face di bawah Lisensi OpenMDW 1.1. Model 100M-parameter ini melacak hingga 8 pembicara yang tumpang tindih dalam mode waktu nyata atau offline menggunakan satu checkpoint.
MuJoCo Warp (MJWarp), dibangun di atas NVIDIA Warp, memungkinkan model MuJoCo yang kompatibel berjalan pada skala GPU, sehingga memungkinkan pengembangan ratusan atau ribuan dunia simulasi independen dalam satu panggilan. Arsitektur ini menggeser fokus dari meminimalkan latensi untuk satu lingkungan ke meningkatkan throughput agregat, yang menguntungkan pembelajaran penguatan dan pengambilan sampel skala besar.