2026. október 17., szombat · Modellek

Microsoft Maia 300: részletes architektúra, de homályos hatékonysági mutató

A Microsoft korábban már bejelentette a Maia AI-csipek 2027-es, gigawattos léptékű bevezetését; az InfoQ most a Maia 300 technikai felépítését részletezi, és rámutat, hogy a bejelentés élén hangoztatott hatékonysági mutató mögött nem áll olyan részletesség, mint az architektúra leírása mögött. A cikk szerint minden gyorsító nyolc HBM4-memóriasort tartalmaz, 288 GB kapacitással és 18 TB/s sávszélességgel, 950 wattos fogyasztási keretben; egy 96 gyorsítós rack 167 kW-ot fogyaszt, 27,6 TB HBM-et és 1,7 PB/s összesített sávszélességet biztosít. A TSMC N2P gyártástechnológia és a különálló memóriavezérlő-dieök a Microsoft állítása szerint 36 százalékkal növelik a számítási teljesítményt a Maia 200-hoz képest, a memóriakezelés pedig az egységes hozzáférésről NUMA-alapú elrendezésre vált. A hálózati architektúra egyedi, Ethernet-alapú AI-transzportot használ, amely akár 128 rackből álló, 12 288 gyorsítós szuperpodokat köt össze optikai kapcsolókkal, három késleltetési szintet különböztetve meg a chip-párok, a rackek és a podok között. Az InfoQ szerint a Maia 200 token/watt előnyét hirdető állítást gyakorlott szakemberek is hiányosan alátámasztottnak találták.

Folytatás Előzmény: Microsoft 2027-re gigawattos léptékben vezeti be saját Maia AI-chipjeit

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A Microsoft egyik bejelentése sem említi, hogy a Maia 300 alkalmas lenne modellek betanítására, ami arra utal, hogy a saját lapka egyelőre kizárólag a következtetési munkaterhelésre szabott, miközben a tréningnél továbbra is külső GPU-kra szorulhat.

Források

InfoQ AI

Kapcsolódó témák

Napi összefoglalók AI kutatás #Microsoft Maia#AI-chip architektúra

Napi összefoglaló

Ez a hír a 2026. október 17., szombat napi AI összefoglaló része.

Kapcsolódó hírek

Gemini 4 Argon 97,5 százalékot ért el az ARC-AGI-3 teszten

A Google DeepMind új modellje, a Gemini 4 Argon, a The Decoder beszámolója szerint 97,5 százalékot ért el az ARC-AGI-3 benchmarkon az úgynevezett „Provider Adapter Harness” tesztkörnyezetben, 4800 dollárért. Az ARC Prize szerint ezzel a Google lett a második labor az OpenAI után, amely átlépte a 95 százalékos küszöböt; az élen továbbra is az OpenAI GPT-6 Astra áll 99,9 százalékkal. A lap szerint az eredmény erősen függ a tesztmódszertől: az egyszerűbb „Standard Harness” környezetben Argon mindössze 49,8 százalékot ért el alacsony gondolkodási szinten, 5800 dollárért. A háttérben egy 2026 júliusi vita áll, amikor az OpenAI GPT-5.6 Sol modellje két eltérő API-beállítás mellett verte meg a Claude Opus 5-öt ugyanezen a benchmarkon. A The Decoder külön megjegyzi, hogy az Epoch AI értékelése szerint az Argon általános képességei terén, nem a szóban forgó benchmarkon, matematikában és szoftverfejlesztésben lemarad riválisaitól.

Meta kiadta a Muse Spark Open nyílt súlyú kódoló AI-modellt

A Meta bejelentette a Muse Spark Open nevű nyílt súlyú modellt, amelyet saját közlése szerint a legképesebb jelenlegi amerikai nyílt súlyú modellnek szán. A mixture-of-experts architektúrájú rendszer 816 milliárd összparaméterből tokenenként 42 milliárdat aktivál, kontextusablaka elérheti az 1 millió tokent, és szöveg mellett képet, hangot és videót is kezel. A modellt kifejezetten ügynöki kódolási feladatokra, többfájlos refaktorálásra és hosszú hibakeresési munkamenetekre tréningezték, az NVIDIA GB300 NVL72 Blackwell Ultra hardveren. A súlyok elérhetők Hugging Face-en és több API-szolgáltatón (Baseten, Fireworks, Groq, Together AI), az Amazon pedig a SageMaker JumpStart hubba is beillesztette BF16 és NVFP4 kvantált változatban. A Meta szerint a modell Apple M5 Ultra Mac Studio gépeken, helyben is futtatható.

Black Forest Labs bemutatta a FLUX.3 Image Klein nyílt súlyú képmodellt

A Black Forest Labs bejelentette a FLUX.3 Image Klein nevű nyílt súlyú képmodellt, amely 5,6 milliárd paraméterrel szöveg-kép generálást, képszerkesztést és akár tíz referenciakép alapú generálást is támogat. A cég szerint a modell natív 4K felbontást, pixelpontos szerkesztést és bounding box alapú elemelhelyezést kínál, és belső teszteken a legmagasabb Elo-pontszámot érte el a nyílt modellek közül, megelőzve a zárt Ideogram V4.5-öt és a saját FLUX.2 [pro] modelljét is. A Hugging Face blogja szerint a modell a Diffusers könyvtárba is beépült, a desztillált változat H100 GPU-n másodpercek alatt generál 1024×1024-es képet. Egy INT8-as verzió mindössze 8 GB videomemóriával futtatható, és a cég közlése szerint egy RTX 4070-es kártyán 9 másodperc alatt elkészül egy kép. A súlyok a FLUX Kommunity License alatt érhetők el, amely évi 5 millió dollár alatti bevételű cégeknek ingyenes kereskedelmi felhasználást biztosít.

Nvidia kiadta a Nemotron 3.5 Super VL nyílt agensmodellt

Az Nvidia kiadta a Nemotron 3.5 Super VL nyílt, multimodális modellt: 120 milliárd paraméteres mixture-of-experts architektúrája tokenenként csak 12 milliárd paramétert aktivál – írja a The Decoder és az Nvidia technikai blogja. A modellt vállalati agensfeladatokra, dokumentum-, kép- és videóelemzésre szánták, fejlesztésében a Mistral AI, a Thinking Machines Lab, a Perplexity és a Black Forest Labs is részt vett a Nemotron Coalition keretében. Az Nvidia állítása szerint a Super VL a nagyobb Nemotron 3 Ultra pontosságát hozza ötödannyi paraméterrel, és egyetlen GPU-n akár ötszörös áteresztőképességet ér el hasonló méretű nyílt modellekhez képest. Mellette két kisebb, helyi gépekre szánt Bolt-változat is megjelent: a 24 GB memóriájú rendszerekhez való 74B-A9B és a később érkező, 4 GB-os E4B hangasszisztensekhez. A vállalat szerint a Scale AI, a Ramp és az AI21 már utótanította a modellt, akár 40-szer alacsonyabb következtetési költséget elérve vele.