找到 32 筆
llama.cpp 建置 b11854 為 Vulkan 後端加入 ggml src1 精度支援，並更新累加器精度選擇邏輯。改動通過縮放處理 fp32 溢位，並修復 copy-to-fp16 啟用中的溢位問題；同時補充 ggml 精度查詢輔助函式、在 mul_mat 中增加檢查與測試，並統一命名為 acc_prec。此次建置仍覆蓋 macOS、Linux、Windows、Android 的 Vulkan、CUDA、ROCm、SYCL、OpenVINO 等後端二進位制。
llama.cpp 發布新建置 b11681，為 MELLUM 架構加入精度處理（PR #30584）。該版本提供 macOS/iOS、Linux、Android、Windows 與 openEuler 的預編譯包，涵蓋 CPU、Vulkan、CUDA 12/13、ROCm 10.0、SYCL、OpenVINO 以及 Snapdragon 的 Adreno GPU 與 Hexagon NPU 後端。
llama.cpp 建置 b11765 刪除了 Kolibri-1 路由器中的兩處 ggml_prec_set_* 精度覆蓋（#30865），原因是該路由的矩陣乘用預設精度就能正常工作，這是 #30673 評審意見的後續改動，另含一處註釋修正。同一版本照例發布各平台二進位制，但 macOS Apple Silicon 的 KleidiAI 啟用版與 openEuler 建置均被標記為停用。
llama.cpp 發布 b11486 建置，Hexagon 後端的 GELU 啟用函式精度得到改進（#30104）。該版本繼續為驍龍平台提供 Hexagon NPU、Adreno GPU 與 CPU 三類後端，覆蓋 Linux arm64、Android arm64 與 Windows arm64。
Google DeepMind 發現 PyTorch、JAX、TensorFlow 等主流框架的 Softmax 與交叉熵標準實現存在兩處數值精度 Bug，並提出無需提高浮點精度即可修復的計算方式。其一在正確類別 Logit 領先過大時把梯度錯誤歸零，bf16 與 fp32 的觸發臨界約為 5.5 與 16.6，修復後模 31 加法實驗準確率由 94.3% 升至 100%。
llama.cpp 建置版本 b11517 發布，其中 CUDA 後端將 src1 精度顯式傳遞給主機端的 MMQ 配置輔助函式（PR #30168，作者來自 NVIDIA），屬於量化矩陣乘效能/正確性相關的底層調整。
llama.cpp 新建置 b11622 修復了 jinja 模板 tojson 的浮點數輸出。此前 tojson 通過 C++ 流列印浮點，只有 6 位有效數字且省略 .0，48.858844 會變成 48.8588、1.0 變成 1，影響工具定義、工具呼叫引數和其他模板輸出。現在改為輸出能讀回同一數值的最短數字，與 Python 的 json.dumps 一致，float 的 string 與 safe 過濾器也共用這段邏輯。
一位作者在部落格中稱，自己閱讀 AI 生成文字的速度至少慢三分之一，即便篇幅相同。他把原因歸為兩點：AI 會平均化寫作風格，讀者難以感知作者本人及其語境；AI 為把文字拼接通順必須自行假設，傾向選擇更模糊的措辭，從而損失精度。他還指出多數模型輸出囉嗦，讀者需自行替換含糊詞，寫作者省下的時間會轉嫁到讀者一側，並帶來更多追問、更多迭代與信任下降。
llama.cpp 建置 b11620 修復了 OpenCL 後端 q8_0 dp4a 路徑下 MoE 矩陣乘法（MUL_MAT_ID）與 GEMM 的最小值處理錯誤，避免量化 MoE 模型在 GPU 上算出錯誤結果。同一批改動還讓 Adreno GPU 直接拒絕 PREC_F32 的 MUL_MAT_ID，不再走不支援的精度路徑。
維也納和北京的首批釷-229 核鍾已開始走時，《紐約時報》在 2026 年 10 月 7 日報導了這一進展。報導未披露更多技術細節與精度資料，該訊息在 Hacker News 上獲得 20 點、2 條評論。
llama.cpp 發布 b11787，唯一程式碼提交是合併 SYCL 後端 mmq 中重複的 need_check 啟動邏輯（#30739），屬於內部清理，提交說明未提及效能或精度變化，也沒有新模型或功能公告。發布頁列出 macOS Apple Silicon、Linux CUDA 12/13、ROCm 10.0、Vulkan、SYCL、Windows、Android 等 30 餘個預編譯建置；
AWS 工程師 Marc Brooker 用實驗比較編碼器與解碼器架構在 strands-decider 上的表現，結論是這一規模下兩者都沒有明顯優勢。編碼器-only 的 e1b 延遲中位數約 35ms，低於基於 Qwen3.5 改造的 2B 解碼器 v19 的 65ms，精度大致相當，但 prompt 變長後擴充套件性更差；
MLX 今日發布新版本，支援用 RDMA over Thunderbolt 把多臺 Mac Studio 組成叢集：4 臺 M5 Ultra 執行近萬億引數的 Muse Spark Open（816B MoE，NVFP4 精度）解碼超過 36 tokens/s，高於人類平均閱讀速度。單臺 512GB Mac Studio 可跑 Qwen 3.8 27B 與 Mistral Medium 3.5 128B，在 65,536 上下文下分別佔用最多 68GB 和 158GB 記憶體。
Mistral AI 發布首個程式碼專用嵌入模型 Codestral Embed，主打真實程式碼資料的檢索場景，稱其表現顯著超過 Voyage Code 3、Cohere Embed v4.0 與 OpenAI 的大型嵌入模型。模型支援輸出不同維度與精度，256 維 int8 版本仍優於競品全部模型；維度按相關性排序，可擷取前 n 維以權衡品質與成本。
Meta 公布了 Muse Glimmer 的技術報告，這是一個 30B 開放權重模型，面向消費級硬體上的 agentic 任務。它在 4-bit 精度下可在配備單張消費級 GPU 的 Mac 或 PC 上以實用速度執行，官方稱其在工具呼叫與多步規劃上領先同尺寸開放模型。報告還披露了模型架構、蒸餾配方與量化方案等細節。
Meta 發布開放權重模型 Muse Spark Open，採用混合專家架構，總引數約 816B、每 token 啟用約 42B，可輸入文字、影像、音訊和影片，輸出文字，上下文視窗最高 100 萬 token。模型針對 agentic coding 訓練，能閱讀程式碼庫、編寫與除錯程式碼並呼叫工具。官方提供 BF16 與 NVFP4 兩種權重，BF16 約 1.5TB，NVFP4 為 4 位精度、面向 NVIDIA Blackwell GPU。
Google DeepMind 與 Google Research 聯合 WRI、IIASA 發布 ForTy 2020，把全球每一塊 10×10 米土地劃入原始林、自然再生林、人工林、種植園、樹木作物與農林複合、其他土地六類，作為歐盟森林砍伐法規（EUDR）的基準。隨附 2017–2025 年逐年時間序列，首次以 10 米精度顯示森林消失後被什麼取代：用材林、樹木作物農場還是其他用地。
llama.cpp 合併 b11405 版本更新，為 lightning indexer 在 CUDA 與 ROCm 後端新增分塊核心，針對 4 頭場景最佳化。新核心將鍵以半精度暫存、查詢逐頭載入，每執行緒負責一個鍵對兩個 token，避免點積的跨執行緒歸約；同時把乘積改為 float 計算以防 half2 溢位，並讓每個鍵元素只擴充套件一次供所有頭使用。ROCm 上內層迴圈展開 8 次，gfx908 僅用 63 個 VGPR 無溢位，R9700 上核心提速 36 倍。
Canva 推出首個自研 AI 影像模型 Canva Craft，採用兩階段架構，先規劃設計方案再生成影像，官方稱這帶來更高的精度、一致性與可控性。該模型支援最高 2K 解析度和 30 多種寬高比，除社交媒體與營銷素材外，還可生成寫實場景、數字藝術與環境影像。它直接對標 OpenAI、微軟和 Google 的影像生成模型。
螞蟻百靈開源 Ling-3.1-flash，主打把真實工作流裡的活幹完，而非刷榜。模型總引數約 560B、每 Token 啟用約 25B，上下文視窗達 1M；混合精度量化後權重佔用從約 534GB 降至 292GB，部署所需 GPU 由 8 卡降至 4 卡。據 Artificial Analysis，其智慧指數 41，輸出速度約每秒 210 Token，混合呼叫價格約每百萬 Token 0.19 美元，辦公任務評測 GDPVal-AA V2.1 的 ELO 為 1673。
Waymo 正式宣布進入加拿大，將在多倫多推出全自動駕駛網約車服務，目標 2028 年迎來首批乘客。未來數日多倫多街頭會出現 Waymo 車輛，但先由人工駕駛進行高精度地圖測繪與安全驗證。公司將與總部位於多倫多的 Element Fleet Management 合作提供車隊管理，並逐步投入數百個運營崗位。Waymo 稱其自動駕駛累計行駛超 4 億公里，在運營城市中造成重傷及以上事故比人類駕駛少 95%。
禾賽科技創始團隊創辦的 Sharpa 在 IROS 發布首款全自研通用人形機器人 D01，同時推出新一代靈巧手 W02 和外骨骼資料手套 AE01。D01 電子皮膚覆蓋全身、上半身觸覺取樣率 100Hz、力感知 0.1—20N，重複定位精度 0.2mm，最大末端執行器速度超 10.5m/s。W02 主動自由度由 W01 的 22 個減為 21 個，整手尺寸縮小約 30%，指尖力感知 5mN—30N；
Google DeepMind、Meta 與 AI 製藥公司 Isomorphic Labs 共同出資 3 億美元，投入由扎克伯格夫婦創立的非營利生物醫學機構 Biohub 牽頭的“虛擬細胞”專案。該專案屬於總額 18 億美元的“Virtual Biology”計劃，目標是建置可供 AI 使用的生物資料集與高精度預測模型，讓研究者能以數字化方式提出、預測並回答生物學問題，用於對抗疾病。Biohub 成立於 2016 年，長期以預測模型推動疾病防治研究。
Anthropic 團隊為每個系統元件單獨建 Slack 頻道，讓 Claude 當“超級粉絲”，持續檢視遙測與日誌，捕捉傳統告警看不出的細微異常。博主據此判斷，到了 Opus 5.5 / Astra 這一代模型，agent 監控已經能直接使用：他的變更點監控原型由 agent 讀取服務程式碼並提出方案，再交給確定性執行器執行；觸發後，agent 會排查並把問題升級給人。這個原型在他自己並不瞭解的系統上也能檢出迴歸，精度與延遲是一年前做不到的；
2026 年 9 月 14 日《Nature》發表 5 家藥企合作研究：用超過 2 萬份未公開的蛋白質—小分子結構資料，以聯邦訓練改進 OpenFold3。在 1056 個留出結構測試中，新模型高精度預測超過一半，公開版 OpenFold3 約三分之一，兩項關鍵指標分別提升約 10% 和 11%。參與方為 AbbVie、Astex、BMS、強生與武田，資料無需外流；英國 OpenBind 專案獲最高 800 萬英鎊支援，計劃 5 年內建開放資料庫。
10 月 8 日和 9 日，烏克蘭無人機襲擊了俄羅斯科技公司 Yandex 位於 Sasovo 和 Kaluga 地區的兩座資料中心，使其五座資料中心中的兩座癱瘓，Yandex 的 AI 聊天機器人及其他線上服務因此難以維持。烏方稱這是對俄羅斯自 9 月底以來打擊烏克蘭資料中心、導致數千名烏克蘭人手機與網路服務中斷的對稱回應。澤連斯基在 X 上表示，將繼續以高精度回應。
Ai2 更新氣候模擬系統 HiRO-ACEv2，新的降尺度模型 HiROv2 可同時預測降雨、風與氣壓等多種高解析度變數，極端事件精度提升。整套系統生成全球 3 公里氣候資料的成本約為高解析度全球大氣模型 X-SHiELD 的 1/300，若只需單個區域，節省可再高百倍以上。官方稱其高解析度統計量與 X-SHiELD 的偏差在 3% 以內，可復現百萬分之一量級的罕見事件，並生成帶颱風眼與雨帶的颶風。
匹茲堡大學人類工程研究實驗室（HERL）在 ARPA-H 最高 4150 萬美元資助下推進 RAMMP 輔助機器人專案，採用 Meta 開源視覺模型 DINO 與 SAM。團隊將 DINOv3 和 SAM 部署到電池供電的邊緣裝置上，通過降低記憶體佔用、使用低精度和高效批處理來保證即時執行，原型已能識別自動門按鈕、杯子和路緣。該功能面向美國約 550 萬輪椅使用者，目前正進入真實環境測試，並加入語音與觸控互動。
AlphaNIST 讓單一端到端策略在模擬中完成 NIST 裝配任務板 #1 的全部 20 項高精度裝配，只給二元成功獎勵、不預設操作步驟，訓練成功率高於 20 個分別訓練的專家策略。任務中零件最小僅 4 mm，訓練從散件、手持抓取到半成品等多樣初始狀態出發，並用 Beta 取樣優先練習成功率約一半的狀態。實驗顯示額外加入接近與對齊獎勵反而降低成功率；策略還自發學會放下並重新抓取 8 mm 銷釘、借板面接觸轉動防水聯結器等動作。
Meshy 上線區域性編輯功能 Meshy Edit：使用者在模型上圈選區域、用一句話描述改動，約一分鐘即可生成新模型，未選中區域保持原樣，現已向全部註冊使用者開放。選區可用套索圈出整塊部件（同時覆蓋正面、側面和背面），也可用畫筆微調邊緣；除描述外還能附最多 5 張參考圖，每次編輯消耗 20 積分。該功能目前支援 Meshy 6 與 Meshy 7.1 生成的高精度模型，帶貼圖的模型會自動切換為未貼圖版本再編輯；
10 月 14 日，破曉智慧（PHANES AI）聯合天瓏移動發布全身全模態資料採集系統 SeePhys Hub，想在輕量 Ego 第一視角影片與高精度動捕、真機遙操作之間補上中間層資料。整套裝置由四目頭環、兩個腕部手環、三個腰腿部追蹤器和可分離觸覺手套組成，同步記錄 193° 水平視場的第一視角視覺、手部位姿與觸覺、全身運動資訊。官方給出的指標是全身姿態定位誤差中位數低至 1.5 釐米，頭環內部相機、IMU 與 UWB 同步誤差不超過 0.5 毫秒；
10 月 14 日，破曉智慧聯合天瓏移動發布全身全模態資料採集系統 SeePhys Hub，用四目頭環、兩個腕部手環、三個腰腿部追蹤器和可選觸覺手套，在輕量 Ego 採集之上補回全身姿態與手部接觸壓力。頭環重不超過 220 克、單個腕環不超過 75 克，相機、IMU 與 UWB 同步精度不超過 0.5 毫秒，配套平台負責解析、清洗、動作切分、語義標註與動作重定向。團隊計劃 2027 年推出全模態世界模型，優先在工業、餐飲零售等場景驗證，現階段不造自有機器人本體。