vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型
vLLM 语义路由器发布了 d3-ultra，一款拥有 270 亿参数的开源多模态决策模型。它能够一次性读取文本、图像和视频，并为每个可能的答案返回概率，在该团队的 SR-Text 测试中取得了 87.2 分。原文“vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型”首发于 MarkTechPost。
马克科技帖子
FOXAI SEARCH
全站搜索
新闻报道 314
Optimizing Streaming Speech Recognition on Arm® Edge Devices with ExecuTorch
When you’re speaking to a device, you expect text to appear as you talk. That makes streaming automatic speech recognition (ASR) a different challenge from batch transcription, where the model... The post Optimizing Streaming Speech Recognition on Arm® Edge Devices with ExecuTorch appeared first on PyTorch.
翻译服务暂未运行，当前显示原文。
PyTorch 博客
Showing our work: a controlled experiment in context engineering
We ran one AI skill 80 times against four context sources. Engineered summaries cut cost 48.5% and run time 43.2%.
翻译服务暂未运行，当前显示原文。
dbt
AI 智能体已成为媒体界的新宠受众
随着智能体逐渐走向主流，一些出版商希望用户为专为AI而非人类量身定制的内容付费。
连线AI
Edge Sound 获得200万美元融资，助力实体人工智能理解音频
Edge Sound Research Inc. 今日宣布已筹集200万美元新融资，用于构建一种音频基础设施，该设施能够分离出有用的声音，并将其与其他传感器数据相结合，以帮助物理人工智能系统实时理解当前发生的情况。本轮融资由 Stormbreaker Ventures 领投，使公司累计融资额达到900万美元。当…… 该文章“Edge Sound 融资200万美元，助力物理人工智能理解音频”首发于 SiliconANGLE。
SiliconANGLE AI
微软在加大人工智能投资的同时，向6万名员工提供自愿离职补偿计划
微软公司今日向约四分之一的员工发出了自愿离职收购要约。受此举措影响的约6万名员工分布于美国、加拿大、印度和英国。据报道，他们在公司内部体验评分体系中的得分均在70分及以下。这意味着受影响的资深员工…… 该文章《微软在人工智能投资背景下向6万名员工提供自愿离职收购》首发于SiliconANGLE。
SiliconANGLE AI
企业在从人工智能实验迈向自主运营的过程中，应当关注哪些方面
过去三年，企业人工智能领域的讨论主要聚焦于模型能够说出什么；而未来三年，焦点将转向系统被允许做什么。这是一项更为棘手的问题，单靠更强大的模型难以解决。10月28日星期三，我将赴波士顿参加彭博科技峰会：“构建……” 本文《当企业从AI实验迈向自主运营时，值得关注的事项》首发于SiliconANGLE。
SiliconANGLE AI
OpenAI 推出 GPT-6.1 Terra，以半价实现更快速、性能更优的 AI 智能体
OpenAI 集团 PBC 今日发布了 GPT-6.1 Terra，这是其前沿人工智能系统系列中的一款中端模型的升级版。这款新模型是 GPT-5.6 Terra 的继任者，成本降低了约 50%，同时在处理计算机使用任务时速度更快、精度更高。Terra 被定位为 OpenAI 产品线中的日常应用模型，旨在[…] 该文章《OpenAI 推出 GPT-6.1 Terra，以半价实现更快速、性能更优的 AI 智能体》首发于 SiliconANGLE。
SiliconANGLE AI
NVIDIA Minerva 如何将遥测数据的混乱转化为 GPU 性能的巅峰
AI工厂是迄今为止技术最为复杂的运营环境之一。数十万块GPU、NVIDIA Spectrum-X以太网……
英伟达开发者
Fleet-wide computer vision lifecycle at the edge with SageMaker SDK v3
Fleet-wide computer vision needs a model per camera, not one model for the whole fleet. This post presents a working Amazon SageMaker SDK v3 reference architecture that trains, quality-gates, compiles per-camera models with SageMaker Neo, and versions thousands of them, with an AWS Step Functions layer pacing fleet-scale retraining within account quotas.
翻译服务暂未运行，当前显示原文。
AWS机器学习博客