2026. szeptember 5., szombat · Eszközök

AWS és NVIDIA: automatizált AI-gyártósor fizikai robotoknak

Az AWS hivatalos technikai blogja szerint a NVIDIA Cosmos 3 nevű nyílt, omnimodális világmodelljével és az Amazon SageMaker HyperPod infrastruktúrával úgynevezett Physical AI modellgyárat lehet építeni robotok és autonóm járművek számára. A leírás szerint a rendszer folyamatos hurokban generál szintetikus adatot, utótanítja az érzékelési és irányítási modelleket, majd zárt hurkú szimulációban értékeli őket, egyetlen Kubernetes-alapú klaszteren, elkerülve a külön GPU-kapacitást igénylő szakaszos gyakorlatot. Az AWS bemutatja a Cosmos 3 Mixture-of-Transformers architektúráját, valamint egy nyilvános DROID adathalmazon futtatott robotirányítási utótanítási példát, a kód pedig elérhető GitHubon. A cég szerint a kulcsfontosságú mutató nem az egyes feladatok csúcsteljesítménye, hanem a lefoglalt GPU-órákra vetített hasznos GPU-goodput.

Miért fontos?

A leírás konkrét, nyilvánosan tesztelhető referenciaarchitektúrát ad a robotikai AI-modellek költséghatékony, felhőalapú tanítási folyamatához.

Források

AWS Machine Learning Hivatalos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA Cosmos 3#AWS SageMaker HyperPod

Napi összefoglaló

Ez a hír a 2026. szeptember 5., szombat napi AI összefoglaló része.

Kapcsolódó hírek

AWS rétegzett KV-gyorsítótárat épített LLM-inferenciához

Az AWS blogbejegyzése szerint a vállalat rétegzett KV-gyorsítótár architektúrát épített a SageMaker HyperPod platformra, amely a Curvine nevű elosztott gyorsítótár-fájlrendszert használja megosztott NVMe-tárolóként a GPU- és CPU-memória mellett. Ez a HyperPod meglévő Managed Tiered KV Cache és Intelligent Routing képességeire épül, és lehetővé teszi a KV-gyorsítótár megosztását a vLLM-replikák között, közel lokális disksebességgel. A cég saját tesztjében ez akár 100 százalékos, Pod-ok közötti cache-hit arányt, legfeljebb 2,7-szeres TTFT-javulást és mintegy 56 ezredmásodperces csomópontok közötti L2 olvasási késleltetést eredményezett egy körülbelül 1900 tokenes promptnál. Az AWS szerint így olyan feladatok is futtathatók olcsóbb GPU-példányokon, amelyek korábban P5-ös instance-t igényeltek. Az eredmények a vállalat saját mérésén alapulnak, független validálásról nincs információ.

Az NVIDIA Cosmos 3 modell egyetlen nap alatt 93%-os pontosságra finomhangolható automatizált ágensalapú munkafolyamattal

Az NVIDIA technikai blogján bemutatott munkafolyamat szerint a Cosmos 3 Nano alapmodellt az NVIDIA TAO ágensképességeivel és LoRA-adaptációval kombinálva a videókérdés-válaszolási pontosság 54,41%-ról 93,35%-ra emelkedett a Woven Traffic Safety adathalmazon, kevesebb mint egy nap alatt, minimális manuális beavatkozással. Az NVIDIA állítása szerint a TAO ágensképességek automatizálják az adatkezelést, a kiindulási értékelést, a LoRA-konfigurálást és a hiperparaméter-optimalizálást, ami jelentősen csökkenti a mérnöki ráfordítást. A Cosmos 3 mixture-of-transformers architektúrája egyesíti a többféle modalitás – szöveg, kép, videó, hang – feldolgozását. Az éles üzembe helyezést a Cosmos 3 Reasoner NIM mikroszolgáltatás egyszerűsíti, amely OpenAI-kompatibilis végpontként szolgálja ki a finomhangolt LoRA-adaptereket, kiküszöbölve a hagyományos infrastrukturális komplexitást.

Vortex: oszloporientált fájlformátum GPU-alapú gépi tanuláshoz

Egy QCon London előadáson Onur Satici, a SpiralDB mérnöke és a Vortex nyílt forráskódú, oszloporientált fájlformátum egyik fejlesztője mutatta be, hogyan lehet adatokat közvetlenül S3 tárolóból GPU-ra streamelni egyetlen másolási lépésben. Az előadó szerint a Vortex, amely mára a Linux Foundation AI & Data projektjeinek része, réteges könnyű kódolásokkal, elrendezés alapú szegmens-szűréssel és nulla másolású memóriacsővezetékkel akár 60 gigabit/másodperc sebességet is elér, kiküszöbölve a CPU és NVMe szűk keresztmetszeteket. A demonstráció során egy 4K videó feldolgozását vizualizálták valós időben, GPU-n végzett átkódolással szemléltetve az oszlopszűrés hatását. Az állítások a projekt egyik fő fejlesztőjétől származnak, független teljesítménymérés az anyagban nem szerepel.

GitHub Copilot kódellenőrzés minden Azure DevOps ügyfélnek elérhető

Microsoft minden Azure DevOps ügyfél számára megnyitotta a GitHub Copilot kódellenőrzési funkcióját, megszüntetve a június óta érvényben lévő regisztrációs korlátozást. A funkció automatikusan megjegyzéseket fűz a pull requestekhez, a felhasznált tokenek alapján a kapcsolt Azure-előfizetésen keresztül számláz, a költségjelentés viszont két nappal a tényleges felhasználás után válik elérhetővé. Microsoft közleménye szerint évekig a GitHub-ra való migrálásra ösztönözte ügyfeleit, de sok szervezet mérete, testreszabásai vagy megfelelőségi kötelezettségei miatt nem tud váltani, ezért hozzák el a GitHub-funkciókat az Azure Repos-hoz. Az augusztusi frissítés szervezeti, projekt- és tárolószintű beállításokat, Managed DevOps Pools támogatást, egyedi utasításokat és ágpolitika-alapú automatikus felülvizsgálatokat is tartalmaz.