2026. október 27., kedd · Eszközök

Google és 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.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

Jana van Greunen, a Meta PyTorch-mérnöki igazgatója szerint a vállalat nem akar egyetlen hardverarchitektúrától függeni, ami konkrét lépés az Nvidia GPU-k melletti alternatívák felé.

Források

Meta Engineering InfoQ AI

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 27., kedd napi AI összefoglaló része.

Kapcsolódó hírek

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.

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.

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.

Nvidia megnyitotta a Flora robotvideó-címkéző rendszerét

A Nvidia bejelentette, hogy nyílt forráskódúvá tette a Flora nevű adatmotort, amely robotvideók automatikus feliratozására szolgál. A cég szerint a rendszer három, Qwen3.5 alapon finomhangolt modellből épül fel: egy 9 milliárd paraméteres szegmentáló, egy 27 milliárd paraméteres leíró, valamint egy szintén 27 milliárd paraméteres „Flora-Rewarder” értékelő modell, amely 1-5 skálán minősíti a feladat sikerességét, fél másodperces lépésekre bontva jelzi a hibákat, és saját szempontrendszer alapján pontoz. A Nvidia állítása szerint a rendszer már most a GR00T robotmodellek betanítását szolgálja, naponta akár 200 000 óra videót dolgoz fel 512 GB300 GPU-n, és egy 50 videós teszten kismértékben jobb eredményt ért el, mint a GPT-6 Astra, miközben a cég becslése szerint egy óra videó címkézése mindössze 72 centbe kerül. A modellek elérhetők a Hugging Face platformon.