Компания NVIDIA выпустила модель Nemotron 3 Ultra, которая лидирует среди открытых моделей как по точности, так и по эффективности в задачах агентного проектирования на языке переноса регистров (RTL).
NVIDIA описывает, как экстремальное со-проектирование с её процессорами BlueField может решить инфраструктурные проблемы, вызванные рабочими нагрузками Agentic AI. Компания утверждает, что по мере того как агентные системы запускают сложные цепочки вызовов моделей, взаимодействий с инструментами и поиска данных, традиционные инфраструктурные паттерны становятся недостаточными для поддержания производительности.
Видеоаналитический AI-агент, способный воспринимать, рассуждать и действовать на основе огромных объемов видеоматериалов, должен быть интегрирован с существующими рабочими процессами, чтобы быть полезным. Эти рабочие процессы включают системы управления контентом, платформы обмена сообщениями, базы данных, очереди заявок и пути эскалации.
NVIDIA представила метод с использованием AI-агентов для ускорения разработки легких исполняющих сред OpenUSD. Этот подход решает традиционную проблему адаптации крупных существующих кодовых баз для команд, которым требуются специфические объемы памяти.
Разработчикам, создающим приложения для видеодиагностики в больших пространствах, необходимо отслеживать один и тот же объект при его перемещении между камерами. Однокамерное 2D-отслеживание не имеет надежной информации о глубине и обычно теряет объект при выходе из кадра, что ограничивает применение в таких областях, как безопасность складов, ритейл-аналитика и мониторинг умных зданий.
NVIDIA ввела новую инструкцию PTX для умножения без переноса в CUDA 13.3, устраняя давний пробел: несмотря на наличие этой операции на процессорах x86 уже более пятнадцати лет, графические процессоры не имели нативной поддержки.
NVIDIA NeMo предоставляет возможности для создания кода AI-агентов, способных выполнять длительные рабочие процессы машинного обучения, в частности ориентированные на исследования в области обучения с подкреплением.
NVIDIA демонстрирует, что использование автономных AI-агентов для написания кода при постобучении модели зрительного рассуждения Cosmos 3 может повысить точность выше 90% при минимальных ручных усилиях.
Вызов NVIDIA Nemotron Model Reasoning Challenge призвал сообщество Kaggle исследовать методы, повышающие точность рассуждений в рамках общих ограничений: открытые модели, бенчмарки и инфраструктура. К завершению конкурса более 5000 активных участников из 4000 команд подготовили тысячи заявок.
Исследователи NVIDIA разработали метод декодирования Изинга, который снижает частоту логических ошибок для коррекции квантовых ошибок с использованием цветового кода более чем в 300 раз.
Оценка вероятности маловероятных, но высокоэффектных событий в науке, инженерии и финансах является сложной задачей, поскольку метод грубой силы Монте-Карло требует чрезмерного объема итераций модели.
NVIDIA решает задачу строгой оценки фундаментальных моделей робототехники, которые теперь могут выполнять инструкции на естественном языке для манипуляции объектами. Компания определяет оценку как критическую нерешенную проблему и представляет новый метод для решения этих задач.
Рабочие нагрузки по обучению больших языковых моделей (LLM) всё чаще упираются в ограничения памяти GPU до полной загрузки вычислительных ресурсов. Веса модели, градиенты, состояния оптимизатора, буферы коммуникации и промежуточные активации конкурируют за ограниченную высокоскоростную память GPU (HBM). По мере увеличения размера модели, длины последовательности и размера батка ёмкость HBM часто становится основным ограничивающим фактором масштабирования.
NVIDIA описывает, как производительность ИИ зависит от трёх измерений: точности, пропускной способности и интерактивности. Компания подчёркивает, что практические системы должны оптимизировать эти факторы совместно, а не фокусироваться на одном показателе.
Эта статья из блога разработчиков NVIDIA объясняет, как слияние ядер (kernel fusion) может улучшить пропускную способность памяти и снизить накладные расходы на запуск ядер в коде GPU. Она рассматривает распространенную проблему, когда быстрые вычисления GPU опережают память устройства, не позволяя ядрам использоваться полностью.
NVIDIA представила инструментальный пакет BioNeMo Agent Toolkit для ускорения задач предсказания структуры биомолекул и совместного фолдинга, управляемых ИИ-агентами. Этот набор инструментов решает задачу скорости и масштабируемости на ключевых этапах конвейера, включая генерацию множественного выравнивания последовательностей (MSA), вывод при совместном фолдинге, обслуживание моделей и масштабирование с использованием нескольких GPU.