找到 12 筆
IBM CEO Arvind Krishna 在第三季度財報電話會上稱，開源權重模型現已能用前沿模型 10%–25% 的 token 成本實現約 90% 的效果。他回顧差距從 2024 年的 70 分對 20–30 分，縮小到 2025 年底的 70 分對 50 分，認為企業大多數任務（總結郵件、審查合同、客服應答）用便宜模型就夠。由此 IBM 看到本地部署 AI 需求升溫，稱兩三機架即可搭建，但企業缺核心、網路與 GPU 叢集調優人才；
IBM 發布 Granite Timeseries Ensemble，把四個預訓練 Granite 時間序列模型組合成一個預設整合預測器，無需重新訓練、也無需擬合權重，即可輸出點預測與預設 0.1–0.9 的分位數。預設配方為均勻機率池化的 Probabilistic Ensemble，另提供按各成員預測區間寬度自適應加權的 IQR Ensemble，切換隻需更換 subfolder，並可調溫度與單成員權重上限。
llama.cpp 建置 b11759 為 ggml-zdnn 後端新增 flash attention 運算元（fattn），並去掉原有的 scratch slots，改用 scratch buffer pool 統一管理臨時緩衝，文件也補上了關於 fattn 的說明。該後端面向 IBM Z 的 s390x 平台，本次改動隻影響使用 zDNN 加速的建置。
計算機歷史博物館網站收錄了一份 1963 年 IBM 高管 Watson Jr. 關於 CDC 6600 的備忘錄。CDC 6600 是當時速度最快的超級計算機，由 Control Data Corporation 推出，IBM 內部檔案對其效能與競爭壓力有所討論。該頁面附有 HN 討論連結，共 5 分、3 條評論。
llama.cpp 發布 b11700，新增對 IBM Granite Switch 決策模型的轉換與推理支援，改動覆蓋 convert、common 與 server，模板參考 granite-switch-4.1-8b。開發中曾加入 decision.chat 讓決策模型兼作聊天，隨後被回退，最終確定為只要 Granite Switch 支援決策就始終支援文字，server README 也同步更新。
IBM 發布 Granite Speech 5.0 三項更新，其中全新的 granite-speech-5.0-2b 與上一代引數規模相同，均為 2B，支援英語、法語、德語、西班牙語、葡萄牙語和日語轉寫，並支援這些語言與英語互譯，還可英譯義大利語和普通話。
IBM 發布 Granite Switch 4.1，8B 與 30B 兩個版本在同一個託管端點上整合對話、決策與語音轉寫三類任務。模型新增通用決策 aLoRA 與專用 Guardian aLoRA，後者在安全相關決策任務上平均優於 Jev 1.13、Microsoft-Decision-1 等，並內嵌 OpenASR 榜首的 Granite-Speech-5.0-Turbo-CTC。
llama.cpp 建置 b11582 引入 ggml-zdnn 的 Q8_0 矩陣乘法原型，由 IBM 的 Aaron Teo 提交，並同步更新了 zdnn 文件。zdnn 面向 IBM Z（s390x）平台，目前這一支援仍屬初步原型。
llama.cpp 發布 b11812 建置，其中提交 #30957 為全部 Granite 模型記錄層輸入；該提交由 IBM 的 Gabe Goodhart 提交，位於 GraniteSpeculatorSupport 分支，並標註為全程 AI 輔助（Claude + Sonnet 5.5）。
llama.cpp 發布 b11731，ggml-cpu 後端將 ggml_v_silu 與 ggml_v_expf 向量化，提交者為 IBM 的 Aaron Teo，可加速 CPU 推理中的 SiLU 啟用與指數運算。該版本照例更新了各平台預編譯產物，覆蓋 CUDA 12/13、Vulkan、ROCm、SYCL、OpenVINO、Android 及 Windows arm64 等。
Cockroach Labs 用名為 MOLT Sinai 的智慧體流水線，在不到兩天內為遷移工具 MOLT 加上 IBM Db2 源支援，token 花費 4172 美元；2024 年為 MOLT 加 Oracle 支援則用了 9 個月、約 16 萬美元工程時間，即快 164 倍、便宜 38 倍。
IBM Research 的 ALTK-Evolve 用 GPT-4.1 加標準 ReAct 腳手架，在客服基準 τ²-bench 零售域拿到 67.5% Pass^4（即四次獨立嘗試全部通過的任務佔比），高於其 2026 年 10 月 12 日榜單快照中的所有零售條目。方法不改模型權重：由同一模型分析訓練任務的成功與失敗軌跡，蒸餾成簡短行為準則——如先驗證使用者身份、每步只做一個動作——再追加到系統提示，無需人工標註。