2026. október 26., hétfő · Eszközök

A Google nyílt forráskódúvá tette az ML Drift GPU-gyorsító motort

A Google bejelentette, hogy nyílt forráskódúvá tette az ML Drift nevű, platformfüggetlen GPU-számítási motort, amely Apache 2.0 licenc alatt támogatja az OpenGL ES, OpenCL, Metal és WebGPU API-kat. A vállalat szerint ez a LiteRT keretrendszer alapmotorja, és már milliónyi eszközön fut olyan alkalmazásokban, mint a Chrome, a YouTube Shorts, a Fotók és a Meet. A cég közlése szerint a Gemma modelleken végzett belső teszteken az ML Drift 12%-kal kisebb memóriaterhelést produkált, mint a llama.cpp és az MLX LM keretrendszerek. A Google azt is állítja, hogy a YouTube Shortsban a szegmentáláson alapuló effektusok átlagos képkocka-késleltetését Androidon és iOS-en akár 40%-kal csökkentette az új motor.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A nyitás révén a fejlesztők Windowson és Linuxon is elérik ugyanazt a motort a Dawn WebGPU-rétegen keresztül, amely eddig csak a Google saját, több milliós felhasználói körrel bíró appjaiban futott.

Források

InfoQ AI

Kapcsolódó témák

Napi összefoglalók AI eszközök #Google ML Drift#on-device AI

Napi összefoglaló

Ez a hír a 2026. október 26., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Az IEEE Xplore AI asszisztenst kapott a tudományos kereséshez

Az IEEE Spectrum beszámolója szerint az IEEE kiadta az IEEE Xplore AI Research Suite nevű eszközt, amely a digitális könyvtárban elérhető milliónyi lektorált publikáció teljes szövegére épül. A vállalat szerint a rendszer természetes nyelvű kereséseket és AI-összefoglalókat kínál, forráshivatkozásokkal, hogy a felhasználók ellenőrizhessék az állításokat. A fejlesztésbe több mint 3000 tesztelőt vontak be, és az IEEE belső tesztjei szerint a teljes szöveges alapozás háromszoros javulást hozott a találatok minőségében és pontosságában minden kulcsmutatóban. A csomag az intézményi IEEE Xplore-előfizetők számára opcionális, külön megvásárolható bővítésként érhető el. Az IEEE vezetői, köztük W. Clem Karl és Steven Heffner szerint a cél, hogy az AI-válaszok ne csak gyorsak, hanem ellenőrizhetők is legyenek, elkerülve a hallucinációkat.

A DigitalOcean új szolgáltatásokkal segíti az AI-ügynökök önfejlesztését

A DigitalOcean bejelentette a Learning Services és az Agent Data Services nyilvános előnézetét, amelyek a vállalat szerint lehetővé teszik, hogy az AI-ügynökök a valós interakciókból tanuljanak, azonosítsák hibáikat és teszteljék a javításokat, mielőtt élesben bevezetnék őket. A Learning Services három elemből áll: az Insights rögzíti az ügynökök tevékenységét, a Signals a hibákat és teljesítményhiányokat azonosítja, a Simulations pedig szimulált beszélgetésekkel teszteli a lehetséges javításokat. Az Agent Data Services a cég közlése szerint biztonságos, kezelt adatalapot biztosít dokumentumok, videó, hang, naplók és ügynöki munkamenetek indexeléséhez, és csak a felhasználó kifejezett hozzájárulása esetén táplálja az adatokat az Optimizer tanító- és tesztadatai közé. A DigitalOcean közlése szerint az Insights, a Signals és az Evaluations, köztük a Simulations nyilvános előnézetben, míg az Inference Router optimalizálása és az Agent Data Services zárt, privát előnézetben érhető el.

A Google és a Meta megnyitotta a TorchTPU natív PyTorch–TPU hátteret

A 2026-os San José-i PyTorch Conference keretében a Google és a Meta nyílt forráskódúvá tette a TorchTPU-t, egy natív PyTorch hátteret a Google TPU chipjeihez, amely felváltja a 2020-as PyTorch/XLA megoldást. A Google Cloud bejelentése szerint a kódváltás elvben annyi, hogy a model.to("cuda") helyett model.to("tpu") szerepel, bár a csúcsteljesítményhez további finomhangolás kell. Zongwei Zhou, a Meta szoftvermérnöke a keynote-előadáson elmondta: a Meta nagyobb léptékű nyelvi modell munkaterheket kíván TPU-kra költöztetni. A Google publikált tesztje szerint egy Qwen3 235B méretű keverék-szakértős modell 8192 TPU v7x chipen 28 százalékos FLOPS-kihasználtsággal futott. Az AWS ezzel egy időben nyilvános bétába állította a Trainium chipekhez készült TorchNeuron hátteret.

Az AWS frissítette a SageMaker SDK v3-at az üzemi gépi látás életciklus-kezeléséhez

Az AWS hivatalos blogbejegyzése szerint a vállalat frissítette a gyári minőségellenőrző kamerahálózatok modell-életciklus-kezelésére épülő mintamegoldást az Amazon SageMaker Python SDK v3-hoz, és a kivezetett SageMaker Edge Manager helyett a SageMaker Neo edge-optimalizálást használja. A bemutatott SageMaker Pipeline kameránként 13 lépésben tanít be egy anomáliadetektort és egy ResNet18-alapú hibaosztályozót, minőségi kapukkal, amelyek blokkolják a gyengén teljesítő modelleket. Az orchestrációt AWS Step Functions, SQS FIFO sor és DynamoDB végzi, a kész modelleket pedig a SageMaker Model Registry tárolja Neo-fordítású, eszközre optimalizált csomagként. Az AWS közlése szerint egy teljes pipeline-futtatás szintetikus adatokon mintegy 0,07 dollárba kerül, a telepítés pedig az AWS CDK segítségével, 2.1131.0-s vagy újabb CLI-verzióval történik.