2026. szeptember 4., péntek · Eszközök

NVIDIA PAIR: helyi hálózaton osztja szét az AI-számításokat

Az NVIDIA saját közlése szerint bemutatta a Personal AI Router (PAIR) nevű nyílt forráskódú eszközt, amely a helyi hálózaton lévő kompatibilis gépek között osztja el a független AI-következtetési feladatokat, hogy tehermentesítse a több ügynökből álló munkafolyamatokat. A vállalat állítása szerint a rendszer a meglévő Ollama és LM Studio felületekkel is működik, így az ügynök-keretrendszereken nem kell módosítani. Az NVIDIA egy öt-alügynökös demonstrációt is közölt: egy háromeszközös PAIR-klaszter 8 perc 48 másodperc alatt végzett el egy feladatot, míg egyetlen RTX Spark laptopon ugyanez 18 percet vett igénybe. A router mDNS-alapú párosítást, MTLS titkosítást és élő ütemezést használ; a beta Windows, macOS és Linux rendszerekre elérhető, a támogatott hardverek közé pedig RTX 20-as és újabb GPU-k, RTX PRO munkaállomások, DGX Spark és Apple M4+ chipek tartoznak.

Miért fontos?

A megoldás lehetővé teszi, hogy a felhasználók meglévő otthoni eszközeik összekapcsolásával bővítsék a lokális AI-ügynökök számítási kapacitását, ügynök-átalakítás nélkül.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

szereplő Nvidia

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA PAIR#Ollama

Napi összefoglaló

Ez a hír a 2026. szeptember 4., péntek napi AI összefoglaló része.

Kapcsolódó hírek

AWS útmutatót adott ki agentikus rendszerek Bedrock AgentCore-ra költöztetéséhez

Az AWS hivatalos blogbejegyzése egy konkrét példán, egy LangGraph-alapú ügyfélszolgálati ügynökön keresztül mutatja be, hogyan vihető át egy éles agentikus alkalmazás az Amazon Bedrock AgentCore platformra. A cég állítása szerint a migráció két szakaszban történik: az első lépésben az ügynök változatlan logikával kerül át az AgentCore Runtime, Gateway és Memory szolgáltatásokra, ami kezeli a felhasználói munkameneteket, az állapotmegőrzést és az eszközök hitelesítését, míg a második szakaszban a kézzel írt döntési ág helyett modellvezérelt tervezés épül be a Strands Agents keretrendszerrel. Az AWS szerint ezzel tíz olyan üzemeltetési terhet lehet leválasztani az ügynök tényleges logikájáról, mint a munkamenetek elkülönítése, az állapotkezelés vagy az operációs rendszer patchelése; a leírás fejlesztői gyakorlati útmutató, nem független teszteredmény.

AWS útmutató: OpenAI Codex vállalati integrálása LiteLLM-mel és Bedrockkal

Az AWS Machine Learning blogja útmutatót adott ki arról, hogyan vonható vállalati kontroll alá az OpenAI ChatGPT Codex kódolóügynök egy ügyfél által üzemeltetett LiteLLM gateway-jel, amely Amazon ECS Fargate-en fut és Amazon Bedrockon keresztül éri el az OpenAI modellt. A Codex a feladat-végrehajtást és a helyi eszközhasználatot a fejlesztői gépen tartja, míg a modellhívásokat a LiteLLM irányítja: hitelesít, betartatja a modell- és felhasználási politikát, és az ECS task role-on keresztül hívja meg a Bedrockot. Az AWS szerint ez egységes költségkeret- és rate limit-kezelést, valamint megfigyelhetőséget biztosít, alternatívaként az AWS IAM Identity Center vagy a Portkey nevű menedzselt gateway is szóba jöhet.

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.

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.