检索标题、摘要与正文，把分散的信息连起来。
东京科学研究所、横滨国立大学、日本产业技术综合研究所（AIST）及光子电子技术研究协会（PETRA）联合在《自然·通讯》发表论文，报道一种内置电光均衡器的慢光硅基调制器，实现单波长200 Gb/s PAM4速率并显著减少数字信号处理（DSP）开销。
推荐理由：该成果针对AI数据中心多太比特每秒光互连需求，突破传统硅基马赫-曾德尔调制器在调制效率与尺寸上的瓶颈，具备高带宽、低功耗、小尺寸潜力；论文已正式发表于Nature Communications（2026年卷17，文章号10446），来源为权威行业媒体Semiconductor Engineering，发布时间（2026-10-25）不晚于当前系统时间，信息完整可信。
Amazon SageMaker发布训练会话（Training Sessions）API，支持用户以纯Python脚本实现SFT、RLHF、GRPO、KTO等自定义大模型训练逻辑，GPU资源调度、容错、分布式执行及检查点管理均由服务托管。
欧洲零售商正依托NVIDIA加速的开放大模型与物理AI技术，在数字商品发现、智能仓储仿真、虚拟试穿及研发加速等场景实现规模化落地。Shopify、Zooplus、L’Oréal、Otto Group等企业通过Nemotron系列模型、Omniverse数字孪生、ALCHEMI分子模拟等工具，显著降低推理成本、提升搜索准确率、缩短研发周期，并验证了转化率与销售增长效果。
NVIDIA于2026年10月26日（UTC）宣布cuDSS库进入通用可用（GA）阶段，该CUDA-X库专为在GPU上高效求解大规模稀疏线性系统而设计，显著提升芯片、航空、工业系统等领域的仿真吞吐量与迭代效率。
本文为Hugging Face与Amazon联合发布的技术博客系列首篇，系统介绍如何在AWS Trainium AI加速芯片上使用TorchNeuron进行PyTorch模型推理性能分析，涵盖Neuron后端集成原理、torch.profiler配置方法、NeuronConfig与NeuronProfiler工具使用、Neuron Explorer可视化追踪，并以RMSNorm为例对比三种实现（朴素PyTorch、torch.rms_norm内置融合、torch.compile自动融合）的设备耗时差异。
i14推出30.28亿参数的Laplace 3B模型，采用门控线性注意力（GLA）替代Softmax注意力，其推理时每序列递归状态恒为29.5 MB，与上下文长度无关；该模型在单台AWS trn2.48xlarge（16颗Trainium2芯片）上完成训练与服务验证，训练吞吐达12万token/秒，服务吞吐11544 output token/秒（1280并发序列），所有性能数据均为i14与AWS GenAIIC团队内部实测结果。
