2026. október 17., szombat · Eszközök

NVIDIA RTX Spark: helyi AI-fejlesztés egyetlen gépen

Az NVIDIA bejelentette az RTX Spark platformot, amely a GB10 rendszerchipet akár 128GB egységes memóriával kombinálja, hogy fejlesztők helyi kódoló-ügynököket futtathassanak, teszteljenek és telepítsenek egyetlen gépen. A vállalat szerint a rendszer az Intel Panther Lake 12Xe-hez képest 4,6-szor gyorsabb kódoló-ügynök teljesítményt, 2,7-szer gyorsabb finomhangolást és 1,8-szor gyorsabb kódfordítást nyújt. A Microsofttal közösen bővítették a Windows on Arm szoftverstacket, beleértve az első PyTorch-CUDA buildet, a Python 3.15 natív támogatását és a top 15 000 Python-csomag több mint 97%-ának Arm-kompatibilis verzióját. A The Verge beszámolója szerint a Windows új Get Started felülete két kattintással telepíti a launchkor támogatott három ügynököt (Hermes, Perplexity, OpenClaw), bár a lap tesztelése során az OpenClaw telepítése hibákba ütközött. A lap azt is megjegyzi, hogy a helyi modellek még mindig lassabban válaszolnak, mint a felhős alternatívák.

Miért fontos?

Az Arm-alapú RTX Spark és a vele összehangolt Windows-integráció azt jelzi, hogy az NVIDIA és a Microsoft a fejlesztői munkafolyamatot a felhős modell-API-któl a helyi gépekre próbálja terelni.

Források

NVIDIA Technical Blog Hivatalos The Verge

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA RTX Spark#Windows on Arm

Napi összefoglaló

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

Kapcsolódó hírek

AWS két nyílt forráskódú eszközt vezetett be AI-ágensek fejlesztéséhez

Az AWS bejelentése szerint két nyílt forráskódú projektet indított: a Strands Decider 2B egy kétmilliárd paraméteres modell, amely nem hosszú szöveget generál, hanem előre megadott opciók közül választ bizalmi pontszámmal, így modellirányításra, eszközválasztásra, osztályozásra és korlátozó szabályok betartatására használható. A Qwen3.5-2B alapú modellt egy rank-16 LoRA adapterrel finomhangolták, a nyelvi modell fejét egy pontozó fejjel helyettesítve; az AWS szerint a döntési késleltetés mediánja körülbelül 115 ezredmásodperc egy NVIDIA RTX 3090-en, 153 ezredmásodperc kisebb feladatoknál egy Apple M3 gépen, a JevBench teszten pedig 72,3 százalékos pontosságot ért el 231 nyilvános feladaton a v19 jelű változat. A másik, fejlesztői előnézetben elérhető Strands Box egy izolált futtatási környezet ágensekhez, amely operációsrendszer-szintű elkülönítést kombinál a Dogwood nevű nyílt szabálynyelvvel, így meghatározható, milyen parancsokat, Python-kódokat vagy hálózati hívásokat hajthat végre egy ágens, és ez a kontroll a nyelvi modellen kívül, kernel szinten érvényesül.

Amazon két új Bee AI-viselhetőt dobott piacra

Az Amazon tavaly felvásárolt Bee nevű startupja bejelentette első új termékeit az akvizíció óta: a 74,99 dolláros Bee Frontier csuklópánt vagy ruhacsipesz formájú eszköz, míg a hamarosan érkező 99,99 dolláros Bee Eclipse egy hitelkártya méretű kiegészítő, amely mágnesesen a telefon hátuljára tapad. A TechCrunch és a The Verge egybehangzóan írja, hogy mindkét eszköz folyamatosan hallgatja a napi beszélgetéseket, és ezekből összefoglalókat, átiratokat és teendőlistákat készít. A vállalat állítása szerint a nyers hangot nem tárolják, csak valós időben dolgozzák fel, majd törlik, az átiratokat pedig a felhasználó által kontrollált kulcsokkal titkosítják. A havi 11,99 dolláros Bee Pro előfizetés korlátlan összefoglalót, napi memóriát és Amazon, illetve Alexa+ integrációt kínál, ez utóbbi a The Verge szerint vásárlási javaslatokat is megjeleníthet a beszélgetések alapján.

Google DeepMind és Szingapúr közös AI-modellt fejlesztett csalásfelismerésre

A Google DeepMind a szingapúri kormány technológiai ügynökségével, a GovTech Singapore-ral közösen finomhangolt egy könnyűsúlyú Gemma modellt csalási kísérletek felismerésére, a vállalat közlése szerint. A cég szerint Szingapúrban a bejelentett bűncselekmények több mint felét csalások teszik ki, amelyek 2019 óta 4 milliárd szingapúri dollárnál nagyobb kárt okoztak, és ma már a veszteségek akár 80 százalékáért felelős, kifinomult social engineering módszerek a jellemzők. A modellt helyi csalási beszélgetéseken tanították, köztük hatósági, banki és közszereplői megszemélyesítésekkel kapcsolatos esetekkel, hogy megkülönböztesse a ártalmatlan csevegést a valódi manipulációtól. A fejlesztők szerint a rendszer kizárólag a felhasználó eszközén, a felhőbe küldött adatok nélkül elemzi a beszélgetéseket, és csak a felhasználó hozzájárulásával fér hozzá azokhoz, így sem a kormány, sem a Google nem látja a tartalmat. A bevezetés a bejelentés szerint fokozatos lesz, és a szingapúri kormánnyal szorosan egyeztetve történik.

Google Antigravity SDK: helyi modellek a kódbiztonságért

A Google bejelentette, hogy az Antigravity SDK mostantól támogatja a helyi modellek futtatását, így a fejlesztők saját gépükön futtathatják az ágensalapú munkafolyamatokat, miközben felhőalapú modelleket is bevonhatnak a magasabb szintű feladatokhoz. A cég az Architect-Builder mintát alkalmazza hibrid környezetben: a felhőben futó „architect” ágens fájlnevek és feladatleírások alapján dolgozza ki a tervet a forráskód elérése nélkül, míg a helyi „builder” ágensek végzik a kódintenzív munkát, például sebezhetőségek reprodukálását és javítások tesztelését. A Google egy három sebezhető Python-modult érintő demonstrációban azt állítja, hogy a mintegy 3400 tokenből mindössze 95-öt használtak a felhőben tervezésre, a maradékot helyben dolgozták fel, és forráskód nem került fel a felhőbe. A kezdeti implementáció a Gemma modellt futtatja a Google LiteRT technológiáján, de OpenAI-kompatibilis helyi szerverek, köztük az Ollama, az LM Studio és a vLLM is használhatók a LocalOpenAIAgentConfig segítségével.