2026. szeptember 3., csütörtök · Eszközök

NVIDIA bemutatja a modern CUDA eszköztárat: akár 300-szoros gyorsulás

Az NVIDIA hivatalos technikai blogja egy lépésről lépésre bemutatott optimalizálási példán keresztül ismerteti a modern CUDA eszköztárat egy képfeldolgozó pipeline-on. A vállalat állítása szerint a CCCL könyvtár modern indexelési modellje és a Compute Sanitizer segítségével kiszűrhetők a memóriahibák, a CUB algoritmusok bevezetése pedig a számítási időt 2,1 másodpercről 773 mikroszekundumra, azaz 2717-szeresére gyorsította képenként. Az NVIDIA szerint a pool-alapú memóriakezelés 2,6-szoros, a pinned host-memória pedig 10-szeres gyorsulást hozott az adatátvitelben, míg a stream-enkénti párhuzamosítással a teljes futásidő 6,8 másodpercről 23 milliszekundumra, összesen 300-szorosára csökkent. A cikk kódpéldákkal és Google Colab notebookkal is szolgál a bemutatott technikák kipróbálásához.

Miért fontos?

A bemutatott CUDA eszközök és könyvtárak gyakorlati útmutatót adnak GPU-kódok hibáinak felderítésére és jelentős teljesítménynövelésre.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA CUDA#GPU-optimalizálás

Napi összefoglaló

Ez a hír a 2026. szeptember 3., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

A TensorRT motorépítés immár valós időben nyomon követhető és megszakítható

Az NVIDIA technikai blogján bemutatta, hogyan használható a TensorRT-ben több kiadás óta elérhető IProgressMonitor API a motorépítés valós idejű követésére és megszakítására Python és C++ környezetben. A cég szerint nagy modellek és mély taktikakeresés akár percekig tartó építést eredményezhet, ami felügyelet nélkül elvesztegetett GPU-órákat okozhat. Az API három metódus felülírásával fa struktúrájú fáziskövetést és Ctrl-C vagy programozott leállítási jelekre való reagálást tesz lehetővé. Az integráció révén a haladási információ terminálba, IDE-be, HTTP-szolgáltatásba vagy ügynök-futtatókörnyezetbe továbbítható, de szálbiztonság és megszakítási késleltetés gondos kezelését igényli.

Pangram AI-detektora irodalmi botrányok középpontjában, Substack is bevezeti

A Pangram nevű startup mesterséges intelligenciával becsüli meg egy szöveg AI-eredetének arányát, és ezt százalékos pontszámmal jelzi. Vezérigazgatója, Max Spero szerint a Hachette által megvásárolt Shy Girl regény 78 százalékban AI-generált volt, ami a kiadás visszavonásához vezetett; a cég szerint a New York Times egy Modern Love-cikke és egy Commonwealth-díjas novella is 100 százalékos, egy 2,4 millió dollárért eladott thriller pedig 97 százalékos pontszámot kapott. Ezek a Pangram saját, nem független mérései, nem megerősített tények. A WIRED szerint a Substack júliusban beépítette a technológiát, a TechCrunch szerint pedig a cég 9 millió dolláros finanszírozást is szerzett, és új képdetektort indított. Az írói közösségben, Jane Friedman szakértő szerint, erős bizalmatlanság kíséri az eszközt.

Google Pics: promptalapú AI-tervezőeszköz érkezik a Workspace-be

A Google bemutatta a Google Pics nevű új Workspace-alkalmazást, amely a Nano Banana képgeneráló modellre épül, és promptalapú kép- és szövegszerkesztést kínál üzleti felhasználóknak, valamint a Google AI Pro és Ultra előfizetőinek. A vállalat állítása szerint a cél, hogy a marketinganyagok és prezentációk készítése ne igényeljen grafikustudást, elkerülve a chatbotok esetlen eredményeit. Az eszköz önálló alkalmazásként, illetve Docs és Slides integrációként indul, a Drive-hoz a tervek szerint a következő hetekben érkezik. Funkciói közé tartozik az objektumok promptos módosítása, szöveg cseréje vagy fordítása képeken, 2K-4K felbontású felskálázás és csapatmunkára alkalmas megosztás. A Google szerint ez a Canva és az Adobe Express konkurenciája, de jogdíjas alkotói piacteret nem tartalmaz.

AWS útmutatót adott ki az Amazon Quick AI-ügynökök biztonságos bevezetéséhez

Az AWS saját blogbejegyzése szerint az Amazon Quick platform gyakran sikeresen indul kis pilot csapatokkal, majd elakad, amikor a biztonsági csapatok átveszik a production tervet. A cég állítása szerint a tíz felhasználóra méretezett jogosultsági modell megbomlik öt osztály hozzáadásakor, és az ügynökök a tervezett hatókörön kívüli adatokat is visszaadhatnak. Egy fiktív, 5000 fős vállalati példán mutatják be a megoldást: egy adathalmazt három, jogosultsághoz igazított nézetre bontanak, külön Agentekkel és Dashboardokkal, jóváhagyási ponttal ellátott Flow-val. A bejegyzés négy mintát és egy governance-keretrendszert ismertet, kizárólag az AWS saját termékére vonatkozóan.