GPU 加速的大規模金融分析分群
NVIDIA 介紹 AdaptGrow，一種 GPU 加速的矩陣分解演算法，可將滾動相關性與尾部相依矩陣轉換為硬分群、軟因子負載及結構性斷裂訊號。此方法針對量化金融工作負載，支援單一 GPU 與多節點規模。
Search
Tag: #gpu-acceleration27 results
利用 NVIDIA NeMo Automodel 大規模微調影片與圖像模型
Hugging Face 與 NVIDIA 將 NeMo Automodel 與 Diffusers 整合，實現生成式影片與圖像模型的高效大規模微調。此合作為開發複雜擴散模型的開發者簡化了訓練流程。
PyTorch Monarch 將分散式訓練功能引入 AMD GPU
PyTorch Monarch 現已支援 AMD GPU，實現了基於 ROCm 的單控制器分散式訓練。此更新旨在簡化在大型 GPU 叢集上進行大型語言模型訓練的擴展流程。
使用 NVIDIA GQE 設計 GPU 加速查詢引擎
本文探討了 NVIDIA 的 HBM 和 NVLink-C2C 等硬體創新如何解決 GPU 加速查詢引擎中的記憶體與 I/O 瓶頸。文中強調了 NVIDIA GB200 NVL4 在優化資料傳輸與解壓縮以實現高效能資料處理方面的作用。
📰
MuJoFil：用於高保真視覺強化學習的 GPU 原生模擬器
MuJoFil 是一款全新的開源模擬器，結合了 Nvidia 的 Newton 物理引擎與 Google 的 Filament 渲染引擎，旨在實現並行化的視覺強化學習訓練。它支援 PBR 材質以及 GLB 和 OpenUSD 等外部環境格式，為 MuJoCo 和 Isaac 提供了一個更易於使用的替代方案。
Microsoft 將本地 AI 支援擴展至 NVIDIA GPU
Microsoft 正在將本地 AI 功能與 Copilot+ PC 品牌脫鉤，允許配備 NVIDIA RTX 30 系列或更新顯卡的 Windows 11 設備執行本地 AI 工作負載。此舉暗示了其在硬體上普及本地 AI 能力的廣泛策略。
利用 NVIDIA Blackwell 的 NVFP4 加速 LLM 訓練
NVIDIA 推出了 NVFP4，這是一種專為優化 Blackwell 架構上 frontier LLM 預訓練吞吐量而設計的新數值精度格式。此技術旨在透過解決低位元混合精度訓練的挑戰，進而縮短訓練時間並降低運算成本。
AFSAT：高效能 GPU 加速偽布林 SAT 求解器
AFSAT 是一款功能完備的 GPU 加速偽布林可滿足性求解器，利用 JAX 編譯器進行大規模平行連續局部搜尋。它改進了先前的概念驗證模型，解決了浮點數限制與記憶體延遲問題，並在多個加速器上實現了近乎線性的擴展。
透過 MLX Delegate 在 Apple Silicon 上執行 PyTorch 模型
PyTorch 推出了 ExecuTorch MLX delegate，讓 PyTorch 模型能在 Apple Silicon 裝置上實現優化的 GPU 加速推論。此整合利用 Apple 的 MLX 框架，提升了本地 AI 工作負載的執行效能。
LLM 代理贏得 Kaggle 競賽冠軍
2026 年 3 月，三個 LLM 代理生成超過 60 萬行程式碼，執行 850 個實驗，在 Kaggle 遊樂場競賽中獲得第一名。結合 GPU 加速，它們大幅壓縮了現代機器學習競賽中的構想生成、測試和迭代循環。