2026. augusztus 4., kedd · Eszközök

NVIDIA szerint Vera storage-processzora akár 3,7-szer gyorsabb titkosítási feladatokban

Az NVIDIA saját technikai blogján közölt benchmarkeredményei szerint a Vera BlueField-4 STX storage-processzor – amely 88 Olympus Armv9.2 magot, Spatial Multithreading technológiát és SOCAMM2 LPDDR5X memóriát integrál – felülmúlja az x86 CPU-kat AI-natív adatplatformok tárolási feladataiban. A vállalat állítása szerint a chip titkosításnál 1,43-szoros, dekódolásnál 1,29-szoros, Reed-Solomon hibajavításnál 3,26-szoros, CRC32C integritásellenőrzésnél 3,67-szoros, tömörítésnél 3,29-szoros sebességtöbbletet ér el. Az NVIDIA szerint ez lehetővé teszi, hogy az agentikus AI-munkafolyamatok alacsonyabb energia- és hűtési igény mellett skálázódjanak. Az adatok kizárólag a vállalat saját, független megerősítés nélküli mérésén alapulnak.

Miért fontos?

A saját mérés szerint a specializált storage-chip csökkentheti az agentikus AI-rendszerek CPU-terhelését, de az állítást független teszt nem erősíti meg.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

szereplő Nvidia szál A globális AI-chip verseny: Nvidia, gyártók és exportkorlátozások szál AI-adatközpontok és az energiaigény robbanása

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA Vera#BlueField-4

Napi összefoglaló

Ez a hír a 2026. augusztus 4., kedd napi AI összefoglaló része.

Kapcsolódó hírek

Google visszavonta a Google Earth hamis műholdképeket készítő AI-eszközét

A Google július 30-án építette be a Google Earth alkalmazásba a Nano Banana 2 képgeneráló AI-t, amellyel bárki valósághűnek tűnő, módosított műholdfelvételeket készíthetett a szolgáltatás valódi képeiből. A funkciót két nap múlva visszavonták, miután felhasználók olyan hamis jeleneteket osztottak meg, mint egy bombázott gázai kórház, egy menekültoszlop a mexikói határon, vagy egy óriási aranyszobor a Fehér Ház felett. A Google szerint a képeket AI-generáltként jelölték és mások számára nem voltak láthatók az appon belül, mégis kerültek nyilvánosságra szabálysértő képernyőképek. A vállalat közlése alapján a funkció csak erősebb védőintézkedésekkel térhet vissza. Biztonsági szakértők, köztük a Bellingcat alapítója, arra figyelmeztettek, hogy az eszköz alááshatja a Google Earth mint konfliktusövezeti bizonyítékok hitelesítésére használt forrás megbízhatóságát.

AI-ügynökök felturbózzák a tudományos szoftvereket, de a hibákat nem tudják kiszűrni

Az OpenAI és akadémiai partnerei közös terepjelentése nyolc esettanulmányt mutat be, amelyekben kutatócsoportok Codex és Claude Code kódoló ügynökökkel modernizítottak elavult, kutatásokhoz készült szoftvereket, főként biológiai területen. A projektek egyszerű build-frissítésektől (cyvcf2) teljes átírásokig terjedtek: a MHCflurry immunológiai modellt TensorFlow-ból PyTorch-ra portálták, a STAR szekvenciaillesztő programot Rust nyelven építették újjá, a RustQC pedig 15 minőségellenőrző eszközt vont egyetlen programba, akár 60-szoros sebességnövekedést elérve. A jelentés szerint a rustar-aligner az eredeti STAR eredményeivel 99,8 százalék felett egyezett a tesztelt szekvenciaadatokon. A beszámoló hangsúlyozza: a munka nagy része nem a kódírásból, hanem az eredmények emberi ellenőrzéséből áll, mivel az ügynökök nem tudják megítélni, hogy a tudományos következtetés helyes-e.

Az NVIDIA gyakorlati tervezési útmutatót ad a hosszú kontextusú AI-modellek gyorsításához

Az NVIDIA hivatalos technikai blogja szerint a mesterséges intelligencia modellek figyelem-mechanizmusának teljesítményét a lekérdezés-fejek és kulcs-érték fejek aránya, a fejdimenzió és a szekvenciahossz határozza meg, ezek eltérően hatnak a feltöltési és a dekódolási fázisra. A cég szerint a dekódolás hatékonysága a csoportmérettel skálázódik, míg a feltöltést a szekvenciahossz uralja, ezért 128 vagy 256 fejdimenziót ajánlanak a GPU-memória illesztéséhez. Az NVIDIA négy gyakorlati irányelvet fogalmaz meg fejlesztőknek, köztük a KV-gyorsítótár tömörítését és a párhuzamosítási stratégia megválasztását a KV-fejek száma alapján, a TensorRT-LLM keretrendszerben implementálva. Az elemzés saját mérési adatokra és matematikai számításokra épül, tehát vállalati, gyártófüggő technikai ajánlás.

NVIDIA: rejtett konfigurációs hibák lassíthatják az AI-klasztereket

Az NVIDIA technikai blogja szerint azonos H100, GB200 NVL72 vagy GB300 NVL72 hardverből épített AI-klaszterek betanítási teljesítménye jelentősen eltérhet egymástól, akár 8-12 százalékos réssel a referenciaarchitektúrához képest ugyanazon munkaterhelés mellett. A vállalat állítása szerint ennek oka nem a hardver, hanem a kernel, a hypervisor, a BIOS és az NCCL könyvtár beállításaiban felhalmozódó apró hibák, amelyek együtt az Exemplar Cloud minősítéshez szükséges 95 százalékos küszöb elmulasztásához vezethetnek. Négy valós esetet mutatnak be: hiányzó SMMU-képességek Grace CPU-kon, hibás CPU C-state és NUMA beállítások, elégtelen NCCL sor-pár párhuzamosság ConnectX-8 hálón, és a topológiafájlok konténerekbe nem továbbítása.