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.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

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

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.

AWS Ray LLM konténer: multi-node LLM-kiszolgálás EKS-en

Az AWS hivatalos blogbejegyzése szerint a vállalat bemutatta a Ray LLM Deep Learning Containers (DLC) multi-node változatát, amellyel egyetlen nagy nyelvi modell két GPU-csomóponton, Amazon EKS-en futtatható egy közös, OpenAI-kompatibilis végponton keresztül. A megoldás külön csomópontra választja szét az előfeltöltési (prefill) és a dekódolási (decode) fázist, így a hosszú, számításigényes promptok nem akasztják meg a már folyamatban lévő kérések token-generálását. Az AWS azt írja, hogy korábban az ügyfeleknek maguknak kellett összeállítaniuk és karbantartaniuk a kompatibilis GPU-függőségi láncot (CUDA-könyvtárak, keretrendszerek), ami jelentős, a modellfejlesztéstől elvonó mérnöki munkát igényelt. A most bemutatott, előre tesztelt és patchelt konténer ezt a réteget automatikusan biztosítja, kiterjesztve a korábbi, egycsomópontos Ray Serve DLC-nél alkalmazott megközelítést a többcsomópontos, szétválasztott (disaggregated) inferenciára.

Vezetők szerint a hangalapú AI-nak még nincs ChatGPT-pillanata

A TechCrunch beszámolója szerint a HumanX konferencián Shawn Wen, a vállalati hangalapú AI-t fejlesztő PolyAI technológiai igazgatója úgy véli: bár megjelentek az úgynevezett full-duplex modellek, amelyek képesek egyszerre beszélni és hallgatni, a hangalapú mesterséges intelligencia szerinte még nem érte el az áttörő, „ChatGPT-pillanatnak” nevezett szintet. Állítása szerint a következő kihívás a gyors következtetés megvalósítása, hogy a párbeszéd természetesnek hasson, emellett az ügyfélszolgálati AI-ügynököknek nem szabad robotikusan hangozniuk, hogy az emberek bizalmat építsenek feléjük. Alex Gay, az Otter jegyzetelő alkalmazás marketingigazgatója szerint a beszélő azonosítása és a szándék felismerése kulcsfontosságú az automatizáláshoz, a cég pedig úgynevezett digitális ikreken dolgozik, amelyek embereket képviselhetnének megbeszéléseken.

WIRED-teszt: vicces, de gyatra játékokat gyárt a Google Playground

A Google e héten indított Playground nevű AI-játékgenerátorát egy WIRED-újságíró tesztelte, aki kódolási tapasztalat nélkül egyetlen nap alatt három játszható, stabil, de minőségileg gyenge játékot készített. A „Tetris, de cuki malacokkal” utasításból a Pork Drop nevű klón született, ahol a kockák helyett eltorzított malacformák esnek; a „meleg vacsorapartit” kérő prompt pedig a Dinner Darling nevű 2D flash-stílusú játékot eredményezte, Bitmoji-szerű grafikával, ahol a játékos egy stresszes házigazdát, Juliant irányítja, aki fésűs vendégeket próbál leültetni. A cikk kiemeli, hogy a Playground működése hasonlít a Meta szeptemberben bejelentett Horizon Create játékgenerátorához. Az élmény a szerző szerint gyors, beszélgetős és reszponzív, de a végeredmény esztétikailag és játékmenetileg messze elmarad egy profi fejlesztéstől.