2026. július 15., szerda · Eszközök

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.

Miért fontos?

Az automatizált, ágensalapú finomhangolás drámaian csökkentheti a domain-specifikus videóértési modellek adaptációjához szükséges időt és szakértelmet.

Források

NVIDIA Technical Blog Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA Cosmos 3#LoRA finomhangolás

Napi összefoglaló

Ez a hír a 2026. július 15., szerda napi AI összefoglaló része.

Kapcsolódó hírek

A Google 25 éves a képkereső, megújul a felület és AI-képgenerálás kerül a találatokba

A Google a képkeresője 25. évfordulója alkalmából jelentős felületmegújítást jelentett be. Az Ars Technica beszámolója szerint az eddig minimalista kezdőoldal helyett egy folyamatosan frissülő képgaléria fogadja majd a felhasználókat, amelyet a Google a felhasználó keresési és böngészési előzményeiből levezetett érdeklődés alapján állít össze. A vállalat emellett újra előtérbe helyezi a Gyűjtemények (Collections) funkciót, amellyel a felhasználók elmenthetik a tetszésük szerinti képeket. A frissítés részeként a Google a Nano Banana nevű AI-képgeneráló modelljét – amely korábban a Geminiben és az AI Mode-ban volt elérhető – az AI Overviews keresési összefoglalókba is integrálja, így a felhasználók közvetlenül a keresési találatoknál kérhetnek mesterséges intelligenciával generált képeket.

Amazon Bedrock AgentCore Gateway: natív OAuth-tokenváltás többbérlős AI-ügynökökhöz

Az AWS hivatalos blogja szerint az Amazon Bedrock AgentCore Identity natívan támogatja az OAuth 2.0 Token Exchange (RFC 8693) szabványt, lehetővé téve a felhasználó nevében történő tokenváltást többbérlős AI-ügynök architektúrákban. Az AWS állítása szerint ezzel megoldható, hogy egy háttérszolgáltatást hívó ügynök megőrizze az eredeti felhasználói azonosságot anélkül, hogy saját jogkörét vagy a felhasználó eredeti tokenjét feltétel nélkül továbbítaná. A cikk egy Okta-integrált, TravelBot nevű referenciaimplementáción mutatja be a JWT-jogosultságok átalakulását és a közönségkötés elvét, amely a bérlők közötti biztonsági elkülönítést szolgálja. A referenciakód az AWS GitHub-tárhelyén lesz elérhető.

A Claude Code beépített böngészőt kapott: az AI közvetlenül olvashat és kattinthat külső weboldalakon

Az Anthropic beépített böngészőablakot adott a Claude Code fejlesztői eszközhöz, amellyel az AI-ügynök közvetlenül megnyithat, olvashat, és interakcióba léphet külső weboldalakkal – beleértve dokumentációs oldalakat és hibakövetőket. A The Decoder beszámolója szerint a böngésző billentyűparanccsal nyílik meg, lapfüles felületet kínál, és ugyanazokat az eszközöket használja, amelyekkel a helyi alkalmazások előnézetét is kezeli, kiegészítve biztonsági szűrőkkel. Az Anthropic közlése alapján osztályozók ellenőrzik a külső oldalakon végzett írási műveleteket, és Claude a felhasználó beleegyezése nélkül nem vásárol, nem hoz létre fiókot és nem kerül meg CAPTCHA-kat. A böngésző tiszta profillal fut, mentett bejelentkezések nélkül. A szervezetek engedélyezési listával korlátozhatják az elérhető külső oldalakat, vagy teljesen letilthatják a böngészőeszközöket.

NVIDIA NeMo pipeline fél millió szintetikus pénzügyi hírfőcímet generált iteratív deduplikációval

Az NVIDIA technikai blogján bemutatott pipeline a NeMo Data Designer, NeMo Curator és Nemotron-3-Nano-30B-A3B modellek kombinálásával 82 iterációban 502 536 egyedi pénzügyi hírfőcímet állított elő 13 kategóriában egyetlen 8×B200 GPU-csomóponton. A munkafolyamat kulcsa a globális szemantikus deduplikáció (90%-os koszinusz-hasonlósági küszöb, 500 K-means klaszter), a centroidtól legtávolabbi példák kiválasztásán alapuló few-shot stratégia és a dinamikus kategória-eloszlás korrekció, amelyek együttesen ~82%-os kumulatív deduplikációs arányt értek el. Az NVIDIA szerint a keletkező FinHeadlineMix adatkészlet ritka pénzügyi események lefedésére is alkalmas, és kompakt tanulómodellek desztillációját, valamint klasszifikációját támogatja, amelyek megközelíthetik a tanármodell F1-teljesítményét pénzügyi NLP-benchmarkokon.