找到 8 筆
Video Rebirth 發布 HyperFlow H3 Flash，把約 31B 的 MiniMax-H3 影片加音訊擴散模型壓縮到 13.7B（fl2va）和 13.9B（ref2va），用 4、6、8 步取樣且無需 CFG 即可同時生成畫面與 32 kHz 立體聲。輸出為 5.2 至 15 秒、24 fps、預設 1344×768；5.2 秒片段 6 步耗時 8.7 秒（4×B200）、36 秒（單卡 H200）、92 秒（RTX 5090）。
開發者逆向發現，三星 Tizen 電視每隔幾秒擷取 960×540 畫面，用 INT8 量化的 TensorFlow Lite 模型 alex.tflite（即 AlexNet）推斷使用者正在玩哪款遊戲。模型輸出會與資料庫做最近鄰特徵比對，但結果在授權確認彈窗出現之前就已寫出，等於直接丟棄。據測試該識別約 99% 的情況並不準確，卻持續佔用 CPU。
一個由 AI 設計的開源 AI 加速器 openTPU 已在真實 PCIe 卡上跑通十餘款模型的真實權重，輸出與 bit-exact 模擬器逐位一致。硬體是 Xilinx Kintex-7 xc7k480t 加兩路 DDR3，LFM2.5-230M int8 解碼 59.0 tok/s、4-bit 達 85.8 tok/s；解碼受 DRAM 頻寬限制，實測跑到峰值的 82%-94%。
Black Forest Labs 發布 5.6B 引數的開源權重模型 FLUX 3 Image Klein，支援文生圖、影像編輯和最多 10 張參考圖的多參考生成，並保留原生 4K 與邊界框控制。INT8 版本可在 8GB 視訊記憶體的 NVIDIA RTX 顯示卡上通過 ComfyUI 或 Diffusers 執行，蒸餾模型在 RTX 5090 上約 4 秒生成一張 1MP 影像，RTX 4070 上不到 9 秒。
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。
Qwen3.8-27B 已在 iPhone 18 的 Apple Neural Engine 上執行，解碼速度 15–60 tok/s；作者隨後確認 24K 上下文下 K/V 用 int8、delta net 保持 FP16，峰值可達 70 tok/s。模型基座是 PrismML 的 Bonsai-2，從 1.585 bpw 重新量化為 1.5 bpw（每 4 個權重 6 位向量量化），並加入約 2.8 bpw 的 dflash-2 草稿模型加速，代價是接受率小幅下降。
一個 26k–131k 引數的微型世界模型在 Raspberry Pi Pico 2 W 上執行 Breakout、Doom-lite、Flappy Bird、Pong 和 Pac-Man lite 五個小遊戲。它由兩個網路組成：int8 量化的迴圈 Transformer 世界模型根據當前幀和動作預測下一幀與獎勵，9k–16k 引數的 MLP actor 只根據生成幀選動作，兩者都跑在 RP2350 的 core 1 上。
有人在 510 位元組的 MBR 啟動扇區裡塞進了一個神經網路推理引擎，用來憑空生成不存在的硬體所對應的 Linux 啟動日誌。推理引擎本身只佔 510 位元組，權重、詞表和字串放在 MBR 之後的扇區；網路是字元級、只有一個 int8 隱層，訓練資料是機器生成的 dmesg。作者讓 train.py 執行與彙編完全相同的整數運算，輸出與 QEMU 逐字元一致；除錯時發現 idiv 會把餘數寫進 edx，覆蓋偏置表指標，使第一個神經元之後的值全部出錯。